Pixel normalization from numeric data as input to neural networks: For machine learning and image processing

Sane, Parth; Agrawal, Ravindra

doi:10.1109/wispnet.2017.8300154

Cited by 14 publications

(12 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…A previous report presented the idea of converting numeric data to images and the possibility of using them in image classification 5 . Our novel idea was to convert various type of clinical data, involving not only numeric but also general examination data, into a simple image.…”

Section: Discussionmentioning

confidence: 99%

Convolutional neural network for classification of two-dimensional array images generated from clinical information may support diagnosis of rheumatoid arthritis

Fukae

Isobe

Hattori

et al. 2020

Sci Rep

View full text Add to dashboard Cite

This research aimed to study the application of deep learning to the diagnosis of rheumatoid arthritis (RA). Definite criteria or direct markers for diagnosing RA are lacking. Rheumatologists diagnose RA according to an integrated assessment based on scientific evidence and clinical experience. Our novel idea was to convert various clinical information from patients into simple two-dimensional images and then use them to fine-tune a convolutional neural network (CNN) to classify RA or nonRA. We semiquantitatively converted each type of clinical information to four coloured square images and arranged them as one image for each patient. One rheumatologist modified each patient's clinical information to increase learning data. In total, 1037 images (252 RA, 785 nonRA) were used to fine-tune a pretrained CNN with transfer learning. For clinical data (10 RA, 40 nonRA), which were independent of the learning data and were used as testing data, we compared the classification ability of the fine-tuned CNN with that of three expert rheumatologists. Our simple system could potentially support RA diagnosis and therefore might be useful for screening RA in both specialised hospitals and general clinics. This study paves the way to enabling deep learning in the diagnosis of RA.

show abstract

Section: Discussionmentioning

confidence: 99%

Convolutional neural network for classification of two-dimensional array images generated from clinical information may support diagnosis of rheumatoid arthritis

Fukae

Isobe

Hattori

et al. 2020

Sci Rep

View full text Add to dashboard Cite

show abstract

“…The basic principles of CNN operation are described in papers [3,10]. Studies [7][8][9] considered methods for encoding numerical data using images and solving a classification problem.…”

Section: Review Of Known Methods Of Data Conversion and Nn Learningmentioning

confidence: 99%

“…Paper [9] examined a method to normalize text data for their subsequent conversion into graphical data. It is shown that the application of the min-max normalization makes it possible to retain the scale of data and generates the entire data set in the same range that is critical for certain tasks.…”

Section: Review Of Known Methods Of Data Conversion and Nn Learningmentioning

confidence: 99%

“…It is shown that the application of the min-max normalization makes it possible to retain the scale of data and generates the entire data set in the same range that is critical for certain tasks. Study [9] left unresolved the issue on converting data into color images rather than the gray ones, however the application of color images could increase the overall complexity of the training process. In addition, one should consider encoding the images not only into shades of grey, but into the binary (two-color) images as a simpler encoding method.…”

Section: Review Of Known Methods Of Data Conversion and Nn Learningmentioning

confidence: 99%

“…Therefore, in order to apply CNN in diagnosing problems, they must be modified. This approach was considered in papers [7][8][9], although they employed more complex networks than CNN in terms of structure.…”

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Constructing a method for the conversion of numerical data in order to train the deep neural networks

Pryshliak

Subbotin

Oliinyk

2018

EEJET

View full text Add to dashboard Cite

Розглянуто відомі види глибоких нейронних мереж, методи їх навчання з учителем, навчання мереж шумозаглушенню, а також методи кодування даних за допомогою зображень. Показано, що глибокі нейронні мережі підходять для ефективного вирішення завдань класифікації, зокрема для медичного і технічного діагностування. Серед глибоких мереж перспективними є згорткові нейронні мережі внаслідок своєї простої структури і застосування спільних ваг, що дозволяє мережі виділяти схожі ознаки в різних частинах зображень. Навчання згорткової мережі може бути недостатньо ефективним для деяких завдань діагностування, тому доцільно розглянути модифікації методу навчання із застосуванням кодування даних і навчанням шумозаглушенню для поліпшення результату. Запропоновано метод для навчання згорткової нейронної мережі за допомогою числових даних, перетворених в растрові зображення, що підвищує точність мережі при вирішенні задач класифікації і дозволяє застосовувати згорткові нейронні мережі та їх переваги обробки зображень з табличними даними в якості вхідних. Також пропонований метод не потребує внесення додаткових змін в структуру мережі. Метод складається з чотирьох етапів -нормалізації методом мінімакса, перетворення даних в двовимірні зображення з використанням поплавкового або термометричного методів кодування, генерації додаткових зображень із спотворенням вхідних даних і попереднього навчання глибокої мережі. Розроблений метод був програмно реалізований та досліджений при вирішенні низки практичних завдань. Результати вирішення практичних завдань технічного та медичного діагностування показали ефективність методу при незначній кількості результуючих класів і екземплярів для навчання. Метод може бути корисний при діагностуванні на ранніх стадіях прояви дефекту, коли обсяг даних для навчання обмежений Ключові слова: згорткові нейронні мережі, глибоке навчання, перетворення формату, растрові зображення UDC 004.93

show abstract

Computer-aided retinal vessel segmentation in retinal images: convolutional neural networks

Uysal

Güraksın

2020

Multimed Tools Appl

View full text Add to dashboard Cite

Pixel normalization from numeric data as input to neural networks: For machine learning and image processing

Cited by 14 publications

References 8 publications

Convolutional neural network for classification of two-dimensional array images generated from clinical information may support diagnosis of rheumatoid arthritis

Convolutional neural network for classification of two-dimensional array images generated from clinical information may support diagnosis of rheumatoid arthritis

Constructing a method for the conversion of numerical data in order to train the deep neural networks

Computer-aided retinal vessel segmentation in retinal images: convolutional neural networks

Contact Info

Product

Resources

About