論文の概要: Pediatric Bone Age Prediction Using Deep Learning

• arxiv url: http://arxiv.org/abs/2607.16936v1
• Date: Sat, 18 Jul 2026 19:16:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.305988
• Title: Pediatric Bone Age Prediction Using Deep Learning
• Title（参考訳）: 深層学習を用いた小児骨年齢予測
• Authors: Al Zadid Sultan Bin Habib, Md. Ekramul Islam, Md Asif Bin Syed, Md Younus Ahamed, Tanpia Tasnim,
• Abstract要約: 本稿では,小児骨年齢予測のためのDeep Learning (DL) ベースのアプローチを提案する。 この方法は、RSNA骨年齢データセットから12,000以上のX線画像を利用する。 画像前処理、これらを3チャンネル画像に変換し、手骨画像の特徴を自動学習するために畳み込みニューラルネットワーク(CNN)を訓練する。
• 参考スコア（独自算出の注目度）: 0.6072766852327657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pediatric bone age prediction is a crucial task in clinical practice that can help diagnose endocrine disorders and provide insight into a child's growth and development. However, conventional bone age prediction methods are often labor-intensive and require specialized radiological expertise. This paper presents a Deep Learning (DL)-based approach to pediatric bone age prediction using EfficientNet with Additive Attention, a state-of-the-art neural network architecture for image classification and regression tasks. The method utilizes over 12,000 X-ray images from the RSNA bone age dataset. It involves image preprocessing, transforming them into three-channel images, and training a Convolutional Neural Network (CNN) to automatically learn the features of hand bone images. This approach provides a more effective and accurate solution for predicting bone age, which is critical in diagnosing pediatric endocrine diseases. This work uses two variations of the EfficientNet model (B0 and B4), where EfficientNetB4 is also finetuned with the Additive Attention mechanism. These three models predict the age for the original age, and their comparison is shown in curves. The predicted ages depict that in most cases, EfficientNetB4 and EfficientNetB4 with Additive Attention (EN-AA) successfully predicted the bone ages more accurately regarding the original age, and their performance was better than the EfficientNetB0. Specific performance metrics are provided to underscore this improvement. Learning curves for training and validation loss confirm effective learning without overfitting or underfitting, further validating our approach's efficacy in pediatric endocrine disease diagnosis.
• Abstract（参考訳）: 小児骨年齢予測は、内分泌疾患の診断を助け、子供の成長と発達に関する洞察を与える臨床実践において重要な課題である。 しかし、従来の骨年齢予測法は労働集約的であり、専門的な放射線学的な専門知識を必要とすることが多い。 本稿では,画像分類と回帰処理のための最先端ニューラルネットワークアーキテクチャであるAdditive Attentionを用いたEfficientNetを用いた,小児骨年齢予測のためのDeep Learning(DL)に基づくアプローチを提案する。 この方法は、RSNA骨年齢データセットから12,000以上のX線画像を利用する。 画像前処理、これらを3チャンネル画像に変換し、手骨画像の特徴を自動学習するために畳み込みニューラルネットワーク(CNN)を訓練する。 このアプローチは、小児内分泌疾患の診断に重要な骨年齢を予測するための、より効果的で正確なソリューションを提供する。 この作業では、EfficientNetモデル(B0とB4)の2つのバリエーションを使用し、EfficientNetB4もAdditive Attentionメカニズムで微調整される。 これら3つのモデルは、原年齢の年齢を予測し、それらの比較を曲線で示す。 EfficientNetB4 と EfficientNetB4 with Additive Attention (EN-AA) では、骨年齢が元の年齢よりも正確に予測され、その性能は EfficientNetB0 よりも優れていた。 この改善を裏付けるために、特定のパフォーマンス指標が提供される。 学習曲線は, 過度な適合や不適合を伴わず, 有効学習を確認し, 小児内分泌疾患診断におけるアプローチの有効性を検証した。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Hand bone age estimation using divide and conquer strategy and lightweight convolutional neural networks [5.371337604556311]
  小児の骨年齢の推定は、成長障害や関連疾患を診断し、成熟後の最終身長を推定する上で非常に重要である。 骨年齢を推定する従来の方法は、時間を要する左手のアトラス画像とX線画像を比較して行う。 深層ニューラルネットワークモデルを用いて骨の年齢を推定するために,提案手法を用いて骨の精度と速度を改善するために多くの研究がなされている。
  論文  参考訳（メタデータ） (2024-05-23T18:39:33Z)
• Detection of developmental language disorder in Cypriot Greek children using a neural network algorithm [0.0]
  本研究の目的は,人工知能を用いた発達言語障害(DLD)の自動識別手法の開発である。 このプロトコルは、DLDを持つキプロス系ギリシャ人の子供に初めて適用される。 モデルの性能は精度,精度,リコール,F1スコア,ROC/AUC曲線などの指標を用いて評価した。
  論文  参考訳（メタデータ） (2023-11-25T15:23:46Z)
• An Unsupervised Deep-Learning Method for Bone Age Assessment [4.227079957387361]
  骨の発達の程度を反映した骨年齢は、成人の高さを予測し、子供の内分泌疾患を検出するために用いられる。 本稿では,制約付き畳み込みオートエンコーダ(CCAE)を用いて,骨年齢の分類とBA-CCAEの洗礼を行うモデルを提案する。 北米放射線学会(Radiological Society of North America)の実験では、48ヶ月間隔での分類の精度は76.15%である。
  論文  参考訳（メタデータ） (2022-06-12T02:31:36Z)
• Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
  磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。 バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。 最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
  論文  参考訳（メタデータ） (2021-12-23T14:51:45Z)
• Ridge Regression Neural Network for Pediatric Bone Age Assessment [1.1501261942096426]
  骨年齢の遅れや増加は小児科医にとって深刻な懸念である。 骨年齢評価のための統合型深層学習フレームワークを事例分割と隆起回帰を用いて導入する。
  論文  参考訳（メタデータ） (2021-04-15T21:38:22Z)
• A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
  最も一般的な悪性骨腫瘍は骨肉腫である。 CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。 CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
  論文  参考訳（メタデータ） (2020-11-02T18:16:17Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。