Fugu-MT 論文翻訳(概要): Parallel Training Using a CNN-DNN Architecture for Accelerated Development of Diagnostic Models

論文の概要: Parallel Training Using a CNN-DNN Architecture for Accelerated Development of Diagnostic Models

arxiv url: http://arxiv.org/abs/2609.12902v1
Date: Fri, 11 Sep 2026 14:28:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-15 07:38:31.777231
Title: Parallel Training Using a CNN-DNN Architecture for Accelerated Development of Diagnostic Models
Title（参考訳）: 診断モデルの高速化を目的としたCNN-DNNアーキテクチャを用いた並列トレーニング
Abstract要約: 大規模深層学習モデルの効率的な訓練は、極めて大規模なデータセットや、動的に成長する疾患データを扱うために不可欠である。画像分解と局所化に基づくハイブリッドCNN-DNNネットワークモデルについて検討した。並列CNN-DNNを用いたDenseNet121モデルと3D CNNモデルから高い精度を得た。
参考スコア（独自算出の注目度）: 0.1527458325979785
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Artificial intelligence has shown promise in assisting radiologists in imaging-based diagnosis across a wide range of diseases. Efficient training of large deep learning models is essential to cope with extremely large data sets or dynamically growing disease data, like in a pandemic like situation. In this retrospective study, we collected 300 CT scans from COVID-19 and non-COVID-19 pneumonia patients from three different centers in Germany. We investigated a hybrid CNN-DNN network model based on image decomposition and localization that naturally supports parallel and efficient training of deep learning models. In total, 156 models with three different architectures were trained to capture features at different levels resulting in 12 patient-level COVID-19 diagnosis models. Diagnostic performance as well as time saving were measured. The highest accuracy was obtained from DenseNet121 and 3D CNN models with a parallel CNN-DNN approach, resulting in $88.78\%$ training, $76.67\%$ validation and $76.03\%$ test accuracy for the DenseNet121 with $4\times4\times1$ subdomains and $87.72\%$ training, $76.82\%$ validation and $74.86\%$ test accuracy, respectively, for the 3D CNN with $4\times4\times1$ subdomains. The strongest reduction in parallel training time by a factor of $31$ was observed for the 3D CNN model and $4\times4\times2$ subdomains. Our parallel training approach improves efficiency as well as performance enabling rapid model development, among others crucial for pandemic preparedness.
Abstract（参考訳）: 人工知能は、様々な病気の画像に基づく診断において、放射線学者を支援することを約束している。大規模なディープラーニングモデルの効率的なトレーニングは、パンデミックのような状況において、非常に大きなデータセットや動的に成長する疾患データを扱うために不可欠である。本研究では,ドイツの3つの異なるセンターから,新型コロナウイルスおよび非新型コロナウイルス肺炎患者から300個のCTスキャンを収集した。本研究では,画像分解と局所化に基づくハイブリッドCNN-DNNネットワークモデルについて検討した。合計で3つの異なるアーキテクチャを持つ156のモデルを訓練し、異なるレベルの特徴を捉え、12の患者レベルのCOVID-19診断モデルを生み出した。診断性能と省時間性を測定した。最も高い精度は、DenseNet121と3D CNNの並列CNNアプローチによる8.78\%のトレーニング、76.67\%のバリデーション、76.03\%のテストをDenseNet121の4つのサブドメインと87.72\%のトレーニング、76.82\%のバリデーション、74.86\%のテストを4つのサブドメインで行うことで得られた。並列トレーニング時間を3D CNNモデルと4\times4\times2$サブドメインで31ドル削減した。我々の並列トレーニングアプローチは、パンデミックの準備に不可欠なものなど、迅速なモデル開発を可能にするだけでなく、効率も向上します。

関連論文リスト

Learning Residual Kinematic Corrections for Continuous Neural Decoding via Reinforcement Learning [2.9958775201873205]
CNN--LSTMデコーダ(CNN--LSTM--RL)の出力に強化学習(RL)を適用した2段階デコーダを提案する。 RLエージェントは、直接のEEG入力なしでオフラインで訓練され、代わりに予測された運動軌跡を操作して、目標軌跡に対する運動精度を最適化する。これらの結果は、このスケーラブルなフレームワークは、追加の神経データなしでオフライン残差RLによるキネマティックエラーを補正し、神経リハビリテーション、補綴、仮想相互作用を前進させることにより、3D BCI MIデコーディングを強化することを示している。
論文参考訳（メタデータ） (2026-07-13T13:15:18Z)
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)
MedSegMamba: 3D CNN-Mamba Hybrid Architecture for Brain Segmentation [15.514511820130474]
我々は皮質下脳分割のための3DパッチベースのハイブリッドCNN-Mambaモデルを開発した。モデルの性能をいくつかのベンチマークで検証した。
論文参考訳（メタデータ） (2024-09-12T02:19:19Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
論文参考訳（メタデータ） (2022-10-11T13:30:34Z)
An Efficient End-to-End Deep Neural Network for Interstitial Lung Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。 128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文参考訳（メタデータ） (2022-04-21T06:36:10Z)
Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文参考訳（メタデータ） (2021-11-18T00:43:41Z)
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)
Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文参考訳（メタデータ） (2021-01-14T03:45:01Z)
Improving Automated COVID-19 Grading with Convolutional Neural Networks in Computed Tomography Scans: An Ablation Study [3.072491397378425]
本稿では,CNNに基づくCT画像からのCOVID-19グレーティングのためのアルゴリズムの性能向上に寄与する各種成分を同定する。これらの成分を用いた3D CNNは, テストセット105CTでは0.934のLOC曲線 (AUC) , 公開されている742CTでは0.923のAUCを達成した。
論文参考訳（メタデータ） (2020-09-21T09:58:57Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Deep Convolutional Neural Networks to Diagnose COVID-19 and other Pneumonia Diseases from Posteroanterior Chest X-Rays [0.0]
最高のパフォーマンスネットワークはVGG16で、3つのクラス(COVID-19, No Finding, Other Pneumonia)でトレーニングされた最後の30ドル%のドロップアウトだ。内部検定精度は93.9(pm3.4)$%、COVID-19感受性は87.7(-1.9,+2)$%、No Finding感受性は96.8(pm0.8)$%である。
論文参考訳（メタデータ） (2020-05-02T14:42:50Z)

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。