論文の概要: MyoVision: A Mobile Research Tool and NEATBoost-Attention Ensemble Framework for Real Time Chicken Breast Myopathy Detection

• arxiv url: http://arxiv.org/abs/2604.13456v1
• Date: Wed, 15 Apr 2026 04:21:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.375126
• Title: MyoVision: A Mobile Research Tool and NEATBoost-Attention Ensemble Framework for Real Time Chicken Breast Myopathy Detection
• Title（参考訳）: myoVision: リアルタイムニワトリ乳癌検出のためのモバイルリサーチツールとNEATBoost-Attention Ensemble Framework
• Abstract要約: ウッディ・ビースト (WB) とスパゲッティ・ミート (SM) のミオパチーは, 鶏肉の品質に著しく影響を及ぼした。 消費者向けスマートフォンを用いた低コストで非破壊的なマルチクラスミオパチー分類の問題に対処する。 myoVisionは、14ビットRAW画像をキャプチャする移動式透視イメージングフレームワークとして導入された。
• 参考スコア（独自算出の注目度）: 0.6379544211152604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Woody Breast (WB) and Spaghetti Meat (SM) myopathies significantly impact poultry meat quality, yet current detection methods rely either on subjective manual evaluation or costly laboratory-grade imaging systems. We address the problem of low-cost, non-destructive multi-class myopathy classification using consumer smartphones. MyoVision is introduced as a mobile transillumination imaging framework in which 14-bit RAW images are captured and structural texture descriptors indicative of internal tissue abnormalities are extracted. To classify three categories (Normal, Woody Breast, Spaghetti Meat), we propose a NEATBoost-Attention Ensemble model, which is a neuroevolution-optimized weighted fusion of LightGBM and attention-based MLP models. Hyperparameters are automatically discovered using NeuroEvolution of Augmenting Topologies (NEAT), eliminating manual tuning and enabling architecture diversity for small tabular datasets. On a dataset of 336 fillets collected from a commercial processing facility, our method achieves 82.4% test accuracy (F1 = 0.83), outperforming conventional machine learning and deep learning baselines and matching performance reported by hyperspectral imaging systems costing orders of magnitude more. Beyond classification performance, MyoVision establishes a reproducible mobile RGB-D acquisition pipeline for multimodal meat quality research, demonstrating that consumer-grade imaging can support scalable internal tissue assessment.
• Abstract（参考訳）: ウッディ・ビースト(WB)とスパゲッティ・ミート(SM)のミオパシーは養鶏肉の品質に大きな影響を及ぼすが、現在の検出法は主観的手動評価または高価な実験室級画像システムに依存する。 消費者向けスマートフォンを用いた低コストで非破壊的なマルチクラスミオパチー分類の問題に対処する。 ミオビジョンは、14ビットRAW画像をキャプチャし、内部組織異常を示す構造的テクスチャ記述子を抽出する移動式透視イメージングフレームワークとして導入された。 3つのカテゴリ(Normal, Woody Breast, Spaghetti Meat)を分類するために, NEATBoost-Attention Ensembleモデルを提案する。 ハイパーパラメータは、NEAT(NeuroEvolution of Augmenting Topologies)を使用して自動的に検出され、手動チューニングを排除し、小さな表のデータセットのアーキテクチャの多様性を可能にする。 市販の処理施設から収集した336個のフィレットのデータセットを用いて,82.4%のテスト精度(F1=0.83)を達成し,従来の機械学習とディープラーニングのベースラインを上回り,ハイパースペクトルイメージングシステムによって報告されたマッチング性能を著しく向上させた。 分類性能以外にも、MyoVisionはマルチモーダル肉の品質研究のための再現可能なモバイルRGB-D取得パイプラインを確立し、コンシューマグレードのイメージングがスケーラブルな内部組織評価をサポートすることを実証している。

関連論文リスト

• MMBU: A Massive Multi-modal Biomedical Understanding Benchmark to Probe the Perception Capabilities of Vision-Language Models [83.50100003741628]
  ビジョンと言語モデル(VLM)は、バイオメディカルイメージングを変革する大きな可能性を秘めている。 本稿では,MMBU(Massive Multimodal Biomedical Understanding)ベンチマークを紹介する。 今までで最大のビジョンと言語ベンチマークで、35のサブモダリティと豊富な構造化メタデータをカバーしている。
  論文  参考訳（メタデータ） (2026-06-04T20:24:47Z)
• Investigating Target Class Influence on Neural Network Compressibility for Energy-Autonomous Avian Monitoring [36.85680419418593]
  本研究では,マイクロコントローラユニット(MCU)を直接現場で動作させる機械学習モデルを提案する。 本研究は,複数種の鳥の発見を評価するために,様々な対象クラスのモデルを訓練し,圧縮した。 また、異なるハードウェアプラットフォームに対してベンチマーク結果を提供し、エネルギー自動デバイスをデプロイする可能性を評価する。
  論文  参考訳（メタデータ） (2026-02-19T16:24:33Z)
• Multimodal system for skin cancer detection [0.764671395172401]
  本研究では,従来の画像を用いたマルチモーダルメラノーマ検出システムを提案する。 画像とメタデータ処理を組み合わせたマルチモーダルニューラルネットワークを採用し、メタデータの有無に関わらず2ステップモデルをサポートする。 3段階のパイプラインは、アルゴリズムの強化とパフォーマンスの向上によって予測をさらに洗練する。
  論文  参考訳（メタデータ） (2026-01-21T09:50:13Z)
• nnMobileNet++: Towards Efficient Hybrid Networks for Retinal Image Analysis [10.186038549004266]
  本稿では,畳み込み表現とトランスフォーマー表現を段階的にブリッジするハイブリッドアーキテクチャであるnnMobileNet++を提案する。 nnMobileNet++は、計算コストを低く保ちながら最先端または高い競争精度を達成する。
  論文  参考訳（メタデータ） (2025-12-01T04:45:39Z)
• DeSamba: Decoupled Spectral Adaptive Framework for 3D Multi-Sequence MRI Lesion Classification [0.6749750044497732]
  DeSambaは、分離された表現を抽出し、病変分類のための空間的特徴とスペクトル的特徴を適応的に融合するように設計されたフレームワークである。 DeSambaは62.10%のTop-1精度、63.62%のF1スコア、87.71%のAUC、93.55%のTop-3精度を達成した。
  論文  参考訳（メタデータ） (2025-07-21T10:42:21Z)
• Improved Brain Tumor Detection in MRI: Fuzzy Sigmoid Convolution in Deep Learning [5.350541719319564]
  ファジィシグモイド・コンボリューション(FSC)は、最上位モジュールと中間モジュールの2つの追加モジュールと共に導入された。 新たな畳み込み演算子がこのアプローチの中心であり、入力データの整合性を保ちながら受容場を効果的に拡張する。 この研究は、医用イメージング応用のための軽量で高性能なディープラーニングモデルを提供する。
  論文  参考訳（メタデータ） (2025-05-08T13:02:44Z)
• Revisiting Automatic Data Curation for Vision Foundation Models in Digital Pathology [41.34847597178388]
  視覚基盤モデル(FM)は、全スライディング画像から抽出された高度に異質なタイルの組織学的特徴を表現することを学ぶ。 タイルレベルでの教師なし自動データキュレーションの可能性について検討し,3億5000万個のタイルを考慮に入れた。
  論文  参考訳（メタデータ） (2025-03-24T14:23:48Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection [40.97322222472642]
  本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。 糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。 我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
  論文  参考訳（メタデータ） (2023-06-26T16:48:20Z)
• MAF-Net: Multiple attention-guided fusion network for fundus vascular image segmentation [1.3295074739915493]
  網膜基底画像の血管を正確に検出するマルチアテンション誘導核融合ネットワーク(MAF-Net)を提案する。 従来のUNetベースのモデルは、長距離依存を明示的にモデル化するため、部分的な情報を失う可能性がある。 提案手法は,いくつかの最先端手法と比較して良好な結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-05-05T15:22:20Z)
• Next-generation Surgical Navigation: Marker-less Multi-view 6DoF Pose Estimation of Surgical Instruments [64.59698930334012]
  静止カメラとヘッドマウントカメラを組み合わせたマルチカメラ・キャプチャー・セットアップを提案する。 第2に,手術用ウェットラボと実際の手術用劇場で撮影された元脊椎手術のマルチビューRGB-Dビデオデータセットを公表した。 第3に,手術器具の6DoFポーズ推定の課題に対して,最先端のシングルビューとマルチビューの3つの手法を評価した。
  論文  参考訳（メタデータ） (2023-05-05T13:42:19Z)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)

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。