論文の概要: Abnormalities and Disease Detection in Gastro-Intestinal Tract Images

• arxiv url: http://arxiv.org/abs/2603.22378v1
• Date: Mon, 23 Mar 2026 10:13:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.110482
• Title: Abnormalities and Disease Detection in Gastro-Intestinal Tract Images
• Title（参考訳）: 消化管画像における異常と疾患検出
• Authors: Zeshan Khan, Muhammad Atif Tahir,
• Abstract要約: 本研究は,リアルタイムアプリケーションにおけるGI画像の正確な分類とセグメント化の課題に対処する。 リアルタイム検出を支援するために,テクスチャと局所バイナリパターンを統合したニューラルネットワークを開発した。 ユーザビリティを向上させるために,Depth-Wise Separable Convolutionとニューラルネットワークアンサンブルを活用した2つのセグメンテーションツールが提案されている。
• 参考スコア（独自算出の注目度）: 2.5209477824050954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gastrointestinal (GI) tract image analysis plays a crucial role in medical diagnosis. This research addresses the challenge of accurately classifying and segmenting GI images for real-time applications, where traditional methods often struggle due to the diversity and complexity of abnormalities. The high computational demands of this domain require efficient and adaptable solutions. This PhD thesis presents a multifaceted approach to GI image analysis. Initially, texture-based feature extraction and classification methods were explored, achieving high processing speed (over 4000 FPS) and strong performance (F1-score: 0.76, Accuracy: 0.98) on the Kvasir V2 dataset. The study then transitions to deep learning, where an optimized model combined with data bagging techniques improved performance, reaching an accuracy of 0.92 and an F1-score of 0.60 on the HyperKvasir dataset, and an F1-score of 0.88 on Kvasir V2. To support real-time detection, a streamlined neural network integrating texture and local binary patterns was developed. By addressing inter-class similarity and intra-class variation through a learned threshold, the system achieved 41 FPS with high accuracy (0.99) and an F1-score of 0.91 on HyperKvasir. Additionally, two segmentation tools are proposed to enhance usability, leveraging Depth-Wise Separable Convolution and neural network ensembles for improved detection, particularly in low-FPS scenarios. Overall, this research introduces novel and adaptable methodologies, progressing from traditional texture-based techniques to deep learning and ensemble approaches, providing a comprehensive framework for advancing GI image analysis.
• Abstract（参考訳）: 消化管画像解析は, 診断において重要な役割を担っている。 本研究は,従来の手法が異常の多様性と複雑さのためにしばしば苦労するリアルタイムアプリケーションにおいて,GI画像の正確な分類とセグメント化という課題に対処する。 この領域の高い計算要求は効率的で適応可能な解を必要とする。 この博士論文は,GI画像解析における多面的アプローチを示す。 当初、テクスチャベースの特徴抽出と分類法が検討され、Kvasir V2データセット上で高い処理速度(4000 FPS以上)と強い性能(F1スコア:0.76、精度:0.98)を達成した。 この研究は深層学習に移行し、最適化されたモデルとデータバッグング技術を組み合わせることでパフォーマンスが向上し、HyperKvasirデータセットでは精度0.92、F1スコア0.60、Kvasir V2ではF1スコア0.88に到達した。 リアルタイム検出を支援するために,テクスチャと局所バイナリパターンを統合したニューラルネットワークを開発した。 学習しきい値を通してクラス間の類似性やクラス内変動に対処することにより、システムは41 FPSを高い精度 (0.99) で達成し、HyperKvasirではF1スコアが0.91である。 さらに、Depth-Wise Separable Convolutionとニューラルネットワークアンサンブルを活用して、特に低FPSシナリオにおいて、ユーザビリティを向上させるための2つのセグメンテーションツールが提案されている。 本研究は,従来のテクスチャベースの手法から深層学習,アンサンブルアプローチへと発展し,GI画像解析を進化させるための包括的枠組みを提供する。

関連論文リスト

• A Novel Multi-branch ConvNeXt Architecture for Identifying Subtle Pathological Features in CT Scans [1.2461503242570642]
  本稿では,医療画像解析の難題に特化して設計されたマルチブランチConvNeXtアーキテクチャを提案する。 提案モデルでは,厳密なデータ前処理から拡張まで,厳格なエンドツーエンドパイプラインを組み込んでいる。 実験結果から、最終的なROC-AUCは0.9937、バリデーション精度は0.9757、F1スコアは0.9825である。
  論文  参考訳（メタデータ） (2025-10-10T08:00:46Z)
• Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
  人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。 デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。 本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:00:57Z)
• Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview Learning for Medical Image Segmentation [3.1002416427168304]
  この論文は網膜血管セグメンテーションの課題に焦点を当てている。 深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。 効率的でシンプルな多視点学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-02T06:31:08Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。