論文の概要: Rabies diagnosis in low-data settings: A comparative study on the impact of data augmentation and transfer learning

• arxiv url: http://arxiv.org/abs/2604.19823v1
• Date: Mon, 20 Apr 2026 12:03:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.565058
• Title: Rabies diagnosis in low-data settings: A comparative study on the impact of data augmentation and transfer learning
• Title（参考訳）: 低データ環境における狂犬病診断 : データ強化と伝達学習の影響の比較研究
• Authors: Khalil Akremi, Mariem Handous, Zied Bouslama, Farah Bassalah, Maryem Jebali, Mariem Hanachi, Ines Abdeljaoued-Tej,
• Abstract要約: 狂犬病はアフリカやアジアの多くの国で主要な公衆衛生上の問題となっている。 金標準診断法は蛍光顕微鏡に大きく依存している。 本稿では,これらの課題に対処するために,AIによる自動診断システムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rabies remains a major public health concern across many African and Asian countries, where accurate diagnosis is critical for effective epidemiological surveillance. The gold standard diagnostic methods rely heavily on fluorescence microscopy, necessitating skilled laboratory personnel for the accurate interpretation of results. Such expertise is often scarce, particularly in regions with low annual sample volumes. This paper presents an automated, AI-driven diagnostic system designed to address these challenges. We developed a robust pipeline utilizing fluorescent image analysis through transfer learning with four deep learning architectures: EfficientNetB0, EfficientNetB2, VGG16, and Vision Transformer (ViTB16). Three distinct data augmentation strategies were evaluated to enhance model generalization on a dataset of 155 microscopic images (123 positive and 32 negative). Our results demonstrate that TrivialAugmentWide was the most effective augmentation technique, as it preserved critical fluorescent patterns while improving model robustness. The EfficientNetB0 model, utilizing Geometric & Color augmentation and selected through stratified 3fold cross-validation, achieved optimal classification performance on cropped images. Despite constraints posed by class imbalance and a limited dataset size, this work confirms the viability of deep learning for automating rabies diagnosis. The proposed method enables fast and reliable detection with significant potential for further optimization. An online tool was deployed to facilitate practical access, establishing a framework for future medical imaging applications. This research underscores the potential of optimized deep learning models to transform rabies diagnostics and improve public health outcomes.
• Abstract（参考訳）: 狂犬病はアフリカやアジアの多くの国で主要な公衆衛生上の問題であり、正確な診断は効果的な疫学的監視に重要である。 金標準診断法は蛍光顕微鏡に大きく依存しており、正確な結果の解釈に熟練した実験員を必要とする。 このような専門知識は、特に年間サンプル量が少ない地域では少ないことが多い。 本稿では,これらの課題に対処するために,AIによる自動診断システムを提案する。 我々は、4つのディープラーニングアーキテクチャ(EfficientNetB0, EfficientNetB2, VGG16, Vision Transformer (ViTB16))を用いたトランスファーラーニングによる蛍光画像解析を利用したロバストパイプラインを開発した。 155個の顕微鏡画像(123個の正と32個の負)のデータセット上で、モデル一般化を強化するために、3つの異なるデータ拡張戦略を評価した。 その結果,TrivialAugmentWideは重要な蛍光パターンを保存し,ロバスト性の向上を図った。 Geometric & Color Augmentation を応用した高能率NetB0 モデルでは,階層化された3倍のクロスバリデーションによって選択され,収穫画像上での最適分類性能を実現した。 クラス不均衡と限られたデータセットサイズによる制約にもかかわらず、本研究は狂犬病の診断を自動化するためのディープラーニングの実現可能性を確認する。 提案手法により,より高速かつ信頼性の高い検出が可能となり,さらなる最適化が可能となった。 オンラインツールは実用的なアクセスを促進するためにデプロイされ、将来の医療画像アプリケーションのためのフレームワークが確立された。 この研究は、狂犬病の診断を変換し、公衆衛生結果を改善するために最適化されたディープラーニングモデルの可能性を強調している。

関連論文リスト

• Performance Evaluation of Transfer Learning Based Medical Image Classification Techniques for Disease Detection [4.768189710592187]
  本稿では,深層畳み込みニューラルネットワークを用いた医用画像分類のための伝達学習(TL)手法の包括的解析を行う。 疾患検出のためのカスタム胸部X線データセットを用いて,6つの事前訓練モデルの評価を行った。 以上の結果から, TLが有用である症例は多く, 特にデータ量が少ない場合が多いが, 改善の程度はいくつかの要因に左右される。
  論文  参考訳（メタデータ） (2025-12-04T02:41:27Z)
• Beyond Data Scarcity Optimizing R3GAN for Medical Image Generation from Small Datasets [0.044780965967547055]
  本研究では,GAN(Generative Adversarial Network)を小さなデータセットに最適化して,現実的かつ診断的に意味のある画像を生成する方法について検討する。 R3GANによる体系的な実験に基づいて,効率的なトレーニング戦略を確立し,256x256解像度データセットの最適化構成を設計した。 生成したサンプルは、不均衡な胚のデータセットのバランスをとるために使用され、分類性能が大幅に向上した。
  論文  参考訳（メタデータ） (2025-10-29T13:03:36Z)
• Hybrid Approach for Enhancing Lesion Segmentation in Fundus Images [0.0]
  脈絡膜壊死は良性色素性眼の病変であり、メラノーマに転移するリスクは少ない。 早期発見は生存率を改善するために重要であるが、誤診や診断の遅れは予後不良につながる可能性がある。 本稿では,数理/クラスタリングセグメンテーションモデルとU-Netの知見を組み合わせた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-29T22:10:56Z)
• Latent Diffusion Autoencoders: Toward Efficient and Meaningful Unsupervised Representation Learning in Medical Imaging [41.446379453352534]
  LDAE(Latent Diffusion Autoencoder)は、医用画像における効率的で有意義な教師なし学習のための、エンコーダ-デコーダ拡散に基づく新しいフレームワークである。 本研究は,ADNIデータベースの脳MRIを用いたアルツハイマー病(AD)を事例として検討した。
  論文  参考訳（メタデータ） (2025-04-11T15:37:46Z)
• A Foundational Generative Model for Breast Ultrasound Image Analysis [42.618964727896156]
  基礎モデルは臨床現場で様々な課題に対処するための強力なツールとして登場した。 乳房超音波検査に特化して設計された最初の基礎的生成モデルであるBUSGenについて述べる。 BUSGenは、数ショットの適応で、現実的で情報に富んだタスク固有のデータのリポジトリを生成することができる。
  論文  参考訳（メタデータ） (2025-01-12T16:39:13Z)
• Analysis of Modern Computer Vision Models for Blood Cell Classification [49.1574468325115]
  この研究では、MaxVit、EfficientVit、EfficientNet、EfficientNetV2、MobileNetV3といった最先端アーキテクチャを使用して、迅速かつ正確な結果を得る。 本手法は,従来の手法の速度と精度の懸念に対処するだけでなく,血液学的解析における革新的な深層学習モデルの適用性についても検討する。
  論文  参考訳（メタデータ） (2024-06-30T16:49:29Z)
• Distributed Federated Learning-Based Deep Learning Model for Privacy MRI Brain Tumor Detection [11.980634373191542]
  分散トレーニングは、大規模な医用画像データセットの処理を容易にし、疾患診断の精度と効率を向上させる。 本稿では,データプライバシと効率的な疾患診断という2つの課題に対処するために,Federated Learning(FL)を活用した医用画像分類の革新的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-15T09:07:19Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• OncoPetNet: A Deep Learning based AI system for mitotic figure counting on H&E stained whole slide digital images in a large veterinary diagnostic lab setting [47.38796928990688]
  OncoPetNetの開発において,複数の最先端ディープラーニング技術を用いて病理組織像分類と有糸体像検出を行った。 提案システムは,14種類の癌に対して,ヒトのエキスパートベースラインと比較して,41例の有糸分裂計数性能を有意に向上させた。 デプロイでは、2つのセンターで1日3,323枚のデジタル全スライド画像を処理する高スループット獣医診断サービスにおいて、効果的な0.27分/スライダー推論が達成された。
  論文  参考訳（メタデータ） (2021-08-17T20:01:33Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。