view in publisher's site

Faster Region-Convolutional Neural network oriented feature learning with optimal trained Recurrent Neural Network for bone age assessment for pediatrics

Highlights•A novel AF-SFO was developed by improving the fitness properties of the existing SFO.•The threshold of the proposed optimal Otsu model was selected based on high accuracy.•The proposed adaptive Otsu model has improved accuracy than other existing models.AbstractThis paper tactics to develop the novel Tanner-Whitehouse 3 (TW3)-based automated Bone Age Assessment (BAA) model for children with the assistance of Faster Region- Convolutional Neural Network (Faster R-CNN) and Optimal trained Recurrent Neural Network (RNN). The proposed model covers three main stages: (a) Segmentation, (b) Faster R-CNN-based feature learning, and (c) optimal classification. Further, the segmentation of those regions is performed by adaptive Otsu thresholding. A Faster R-CNN is built to learn the features from the segmented regions. Once the features are extracted from the pooling layers of Faster R-CNN, it is subjected to the RNN. As a modification to RNN, the training weight is optimized by the Average Fitness-based Sun Flower Optimization (AF-SFO), and the optimized network predicts the age of the bone. The experimental evaluation of the proposed model over a set of images collected manually and publically shows its superior performance when compared to the state-of-the-art techniques.

یادگیری ویژگی شبکه عصبی با جهت گیری منطقه - حجم سریع‌تر با شبکه عصبی بهینه آموزش‌دیده برای ارزیابی سن استخوانی در کودکان

نکات برجسته یک AF - SFO جدید با بهبود ویژگی‌های تناسب SFO موجود توسعه داده شد. آستانه مدل Otsu بهینه پیشنهادی براساس دقت بالا انتخاب شد. * مدل Otsu انطباقی پیشنهادی دقت را نسبت به دیگر مدل‌های موجود بهبود بخشیده‌است. مدل پیشنهادی سه مرحله اصلی را پوشش می‌دهد: (a)قطعه‌بندی، (b)یادگیری ویژگی سریع‌تر براساس R - CNN، و (c)طبقه‌بندی بهینه. علاوه بر این، بخش‌بندی این نواحی با آستانه گذاری Otsu انطباقی انجام می‌شود. یک R - CNN سریع‌تر برای یادگیری ویژگی‌ها از مناطق بخش‌بندی شده ساخته شده‌است. هنگامی که ویژگی‌ها از لایه‌های ترکیبی از Faster R - CNN استخراج می‌شوند، در معرض RNN قرار می‌گیرند. به عنوان یک تغییر در RNN، وزن آموزش با بهینه‌سازی میانگین تناسب محور خورشید (AF - SFO)بهینه می‌شود و شبکه بهینه، سن استخوان را پیش‌بینی می‌کند. ارزیابی تجربی مدل پیشنهادی بر روی مجموعه‌ای از تصاویر جمع‌آوری‌شده به صورت دستی و عمومی، عملکرد برتر آن را در مقایسه با تکنیک‌های سطح بالا نشان می‌دهد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Signal Processing
  • ترجمه مقاله Signal Processing
  • مقاله پردازش سیگنال
  • ترجمه مقاله پردازش سیگنال
  • مقاله Health Informatics
  • ترجمه مقاله Health Informatics
  • مقاله اطلاعات بهداشتی
  • ترجمه مقاله اطلاعات بهداشتی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.