Learn more about Search Results InceptionV3

この AI ペーパーでは、X-Raydar を発表します：画期的なオープンソースの深層ニューラルネットワークによる胸部 X 線異常検出

“` イギリスの様々な大学の研究者たちは、豊富なデータセットを用いて、総合的な胸部X線異常検出のためのオープンソース人工知能（AI）システム「X-Raydar」を開発しました。このシステムは、6つのイギリスの病院のデータセットを利用し、ニューラルネットワーク「X-Raydar」と自由なテキストレポートの画像から一般的な胸部X線所見を分類するための「X-Raydar-NLP」を活用しています。このデータセットは、13年間にわたる2,513,546件の胸部X線検査と1,940,508件の有用な自由テキストの放射線学的レポートを含んでいます。カスタムトレーニングされた自然言語処理（NLP）アルゴリズム「X-Raydar-NLP」は、レポートから抽出された37の所見のタクソノミーを使用して、胸部X線をラベル付けしました。AIアルゴリズムは、3つの後ろ向きのデータセットで評価され、さまざまな臨床的に重要な所見に対して、歴史的な臨床放射線学家のレポーターと同等のパフォーマンスを示しました。 X-Raydarは、自動ラベル付けセットで0.919の平均AUC、コンセンサスセットで0.864の平均AUC、MIMIC-CXRテストで0.842の平均AUCを達成しました。特筆すべきは、X-Raydarが、コンセンサスセットの37の所見のうち27個で歴史的なレポーターよりも優れた結果を示し、9個で同等性を示し、1個の所見で劣っており、平均的な改善率は13.3%であることです。このシステムのパフォーマンスは、気胸、実質膨満、および実質の腫瘤または結節を含む重要な所見において、訓練を受けた放射線学者と一致しました。 この開発には、８つの解剖学的領域と非解剖学的構造をカバーする放射学的タクソノミーが含まれており、総合的なラベリングを可能にしています。NLPアルゴリズム「X-Raydar-NLP」は、23,230件の手動で注釈付けされたレポートで訓練され、ラベルを抽出しました。コンピュータビジョンアルゴリズムである「X-Raydar」は、InceptionV3を特徴抽出に使用し、カスタム損失関数とクラスの重み付け係数を使用して最適な結果を達成しました。 テストには、専門の放射線学者によって注釈付けされた1,427の画像で構成されるコンセンサスセット、自動ラベル付けセット（n=103,328）、独立したデータセットであるMIMIC-CXR（n=252,374）が使用されました。X-Raydar-NLPは、自由テキストのレポートで臨床的に関連のある所見を良好に検出し、平均感度が0.921、特異度が0.994でした。X-Raydarは、コンセンサスセット全所見における平均AUCが0.864であり、重要な急性および非急性所見に対して強力なパフォーマンスを示しました。 研究者はまた、オンラインのツールを開発し、リアルタイムの胸部X線解釈のためにAIモデルに一般の公開アクセスを可能にしました。X-Raydarオンラインポータルは、DICOM画像をアップロードして自動前処理と分類を行うことができます。さらに、研究者はトレーニングされたネットワークアーキテクチャをオープンソース化し、さらなる研究や適応のための基礎モデルを提供しました。研究者は、総合的な胸部X線異常検出のためのAIシステム「X-Raydar」を成功裏に開発・評価しました。このシステムは、歴史的な放射線学者レポーターと同等のパフォーマンスを示し、研究コミュニティに無償で提供され、放射線学のAIアプリケーションの進歩に貢献しています。 “`

「CNN（畳み込みニューラルネットワーク）におけるポイントワイズ畳み込みの探求：全結合層の置き換え」

はじめに 畳み込みニューラルネットワーク（CNN）は、画像とパターンを理解する上で重要な役割を果たし、深層学習の世界を変えました。この旅は、YanがLeNetアーキテクチャを紹介したころから始まり、今日ではさまざまなCNNを選択できます。従来、これらのネットワークは、特に異なるカテゴリに分類する場合には、全結合層に依存していました。しかし、そこに変化の風が吹いています。私たちは異なるアーキテクチャを探求しており、畳み込みニューラルネットワークにおける新しい方法であるPointwise Convolutionを使用しています。まるで新しい道を進むような感覚です。このアプローチは、通常の全結合層の使用方法に挑戦し、ネットワークをよりスマートで高速にするいくつかのクールな利点をもたらします。私たちと一緒にこの探求に参加し、Pointwise Convolutionの理解に深入りし、ネットワークの効率的な動作と優れたパフォーマンスの向上がいかに役立つかを発見しましょう。 学習目標 LeNetなどの初期モデルから現在使用されている多様なアーキテクチャまで、畳み込みニューラルネットワーク（CNN）の歴史を理解する CNNにおける従来の全結合層に関連する計算の重さと空間情報の損失について探求する Pointwise Convolutionの効率的な特徴抽出方法を探求する ネットワークの変更やハイパーパラメータのチューニングなど、CNNにおけるPointwise Convolutionの実装に必要な実践的なスキルを開発する この記事はデータサイエンスブログマラソンの一環として公開されました。 全結合層の理解 従来の畳み込みニューラルネットワーク（CNN）では、全結合層は重要な役割を果たし、ある層のすべてのニューロンを次の層のすべてのニューロンに接続する密な相互接続構造を形成しています。これらの層は、画像分類などのタスクで使用され、ネットワークが特定の特徴と特定のクラスを関連付けることを学習します。 要点 グローバルコネクティビティ：全結合層はグローバルな接続を作成し、ある層の各ニューロンが次の層のすべてのニューロンに接続されることを可能にします。 パラメータの重さ：全結合層には非常に多くのパラメータが含まれるため、モデルのパラメータ数が大幅に増加することがあります。 空間情報の損失：全結合層に入力データを平坦化することで、元の画像から空間情報が失われる場合があり、特定のアプリケーションで欠点となる可能性があります。 計算の重さ：全結合層に関連する計算負荷は、ネットワークの規模が拡大するにつれて特に大きくなる場合があります。 実践における使用法 畳み込み層の後：全結合層は通常、畳み込み層の後に使用されます。畳み込み層は入力データから特徴を抽出します。 密な層：一部の場合、全結合層は「密な」層と呼ばれ、すべてのニューロンを接続する役割が強調されます。 変更の必要性とは？ 通常の畳み込みニューラルネットワーク（CNN）における全結合層の基本的な理解ができたので、なぜ一部の人々が異なるものを探しているのかについて話しましょう。全結合層は役割を果たしていますが、いくつかの課題を抱えています。コンピューターに負荷がかかり、多くのパラメータを使用し、時には画像から重要な詳細を失うことがあります。…

画像埋め込みのためのトップ10の事前訓練モデル、データサイエンティストが知っておくべきもの

「コンピュータビジョンの急速な進化– 画像分類のユースケースは、転移学習の台頭によってさらに加速されています大規模な画像データセットを使用してコンピュータビジョンニューラルネットワークモデルを訓練するには、多くの計算リソースと時間が必要です幸いなことに、この時間とリソースは…」

「GPUを使用してAmazon SageMakerのマルチモデルエンドポイントで数千のモデルアンサンブルを展開し、ホスティングコストを最小限に抑えます」

「人工知能（AI）の導入は、さまざまな業界やユースケースで加速しています深層学習（DL）、大規模言語モデル（LLM）、生成型AIの最近の科学的な突破により、お客様はほぼ人間のような性能を持つ高度な最先端ソリューションを利用することができるようになりましたこれらの複雑なモデルでは、ハードウェアのアクセラレーションが必要とされることがありますなぜなら、それにより高速なトレーニングだけでなく、より速い推論も可能になるからです[…]」

Find the right Blockchain Investment for you

Web 3.0 is coming, whether buy Coins, NFTs or just Coding, everyone can participate.

Advertising with us