Global Semantic Attention in CNNs for Fracture Image Detection and Recognition in the IoE
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
This paper proposes a simple and accurate global semantic attention mechanism based on Convolutional Neural Networks (CNN). To validate its credibility, a total of 788 cases of normal and fractured distal radius images were collected and processed. The credibility of the algorithm was evaluated through analysis of metrics such as Positive Predictive Value (PPV), Negative Predictive Value (NPV), sensitivity, specificity, and accuracy. The final experimental results demonstrate that with improved image quality and the advantages of the algorithm model, the experiment achieved an accuracy rate of 93.04%. This indicates that the Faster R-CNN distal radius fracture detection model, incorporating higher-order global representations, can achieve effective diagnostic identification with high credibility.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Global Semantic Attention in CNNs for Fracture Image Detection and Recognition in the IoE
- Date Crossref
- 28/09/2024
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Tianjin Normal University pays non établi dans la noticeUniversité ou école supérieure
-
Beijing Institute of Astronautical System Engineering pays non établi dans la noticeStructure de recherche
Tianjin Normal University et Beijing Institute of Astronautical System Engineering.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.