論文の概要、ライセンス

# (参考訳) 深部ニューラルネットワークを用いたX線画像からの肺炎と領域検出の予測 [全文訳有]

Predicting Pneumonia and Region Detection from X-Ray Images using Deep Neural Network ( http://arxiv.org/abs/2101.07717v1 )

ライセンス: CC BY 4.0
Sheikh Md Hanif Hossain, S M Raju and Amelia Ritahani Ismail(参考訳) 生体画像は劇的に増加しています。 その過程で、様々な病気の予測と同定のために、多くの機械学習アルゴリズムが提案されている。 そのような病気の1つは、肺気嚢の炎症を通じて細菌とウイルスの両方によって引き起こされる肺炎である。 本稿では,X線画像を入力として受信し,この患者が肺炎に罹患しているかどうか,および炎症の発生した肺の特定部位について検証するアルゴリズムを提案する。 このアルゴリズムは、事前学習されたresnet-50(convolutio nal neural network)を使用して予測を行う転送学習メカニズムに基づいている。 このモデルは90.6%の精度を達成しており、このモデルが有効であり、患者の肺炎の検出に実装可能であることを確認している。 さらに、肺感染部位の検出には、クラス活性化マップを用いる。 また、PneuNetはユーザーがより簡単にアクセスでき、サービスを利用できるように開発された。

Biomedical images are increasing drastically. Along the way, many machine learning algorithms have been proposed to predict and identify various kinds of diseases. One such disease is Pneumonia which is an infection caused by both bacteria and viruses through the inflammation of a person's lung air sacs. In this paper, an algorithm was proposed that receives x-ray images as input and verifies whether this patient is infected by Pneumonia as well as specific region of the lungs that the inflammation has occurred at. The algorithm is based on the transfer learning mechanism where pre-trained ResNet-50 (Convolutional Neural Network) was used followed by some custom layer for making the prediction. The model has achieved an accuracy of 90.6 percent which confirms that the model is effective and can be implemented for the detection of Pneumonia in patients. Furthermore, a class activation map is used for the detection of the infected region in the lungs. Also, PneuNet was developed so that users can access more easily and use the services.
公開日: Tue, 19 Jan 2021 16:43:05 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
Predicting Pneumonia and Region Detection from X-Ray Images using X線画像からの肺炎の予測と領域検出 0.83
Deep Neural Network ディープニューラルネットワーク 0.68
Sheikh Md Hanif Hossain1, S M Raju2, Amelia Ritahani Ismail3 Sheikh Md Hanif Hossain1, S M Raju2, Amelia Ritahani Ismail3 0.96
Department of Computer Science International Islamic University Malaysia 計算機科学専攻 国際イスラム大学マレーシア 0.66
1sheikhhanifhossain@ gmail.com, 2rajuiium121@gmail.c om, 3amelia@iium.edu.my 1sheikhhanifhossain@ gmail.com, 2rajuiium121@gmail.c om, 3amelia@iium.edu.my 0.59
– as In are well – として 院 は まあ 0.64
sacs. kinds images Abstract 袋だ 種類 画像 概要 0.62
lung air Biomedical 肺空気 バイオメディカル 0.71
disease by such caused 病気が原因で その原因は 0.51
the way, many machine ところで 多くの機械が 0.81
One infection the increasing drastically. 感染が1つ 劇的に増えています 0.63
Along learning algorithms have been proposed to predict and identify is diseases. is疾患を予測し識別するために、学習アルゴリズムが提案されている。 0.61
various of is Pneumonia which an both bacteria and viruses inflammation of a through person’s this paper, an algorithm was proposed that receives x-ray images as input and verifies whether this patient is infected by Pneumonia as the inflammation has occurred at. 本論文では、細菌とウイルスの両方の炎症を媒介とする肺炎について、x線画像を入力として受け取り、炎症発生時に肺炎に感染しているかどうかを検証するアルゴリズムを提案する。 0.64
The algorithm is based learning on pre- transfer trained ResNet-50 (Convolutional Neural Network) was used followed by some custom layer for making the prediction. このアルゴリズムは、事前転送訓練されたresnet-50(convolutio nal neural network)を学習し、その後にいくつかのカスタムレイヤを使用して予測を行う。 0.66
The model has achieved an accuracy of is effective and can be implemented for the detection of Pneumonia class activation map is used for the detection of the infected region in the lungs. 本モデルは,肺の感染領域の検出に使用される肺炎のクラス活性化マップの検出に有効であることが確認された。 0.69
Also, PneuNet was developed so that users can access more easily and use the services. また、PneuNetはユーザーがより簡単にアクセスでき、サービスを利用できるように開発された。 0.78
percent which Furthermore, パーセントは さらに 0.53
mechanism the model confirms 機構 モデルは 確認 0.75
patients. specific region 患者さん 具体的 地域 0.69
where lungs 90.6 どこに 肺 90.6 0.68
that that the the あれ あれ はあ? はあ? 0.51
in of a Keywords—Transfer イン ですから あ キーワード - 転送 0.50
learning, activation map, Focal loss, Pneumonia 学習、活性化マップ、焦点喪失、肺炎 0.75
ResNet-50, Class ResNet-50 クラス 0.75
The to check and check (複数形 checks) 0.32
of the which sector human その中の セクター人間 0.67
I. Introduction is health medical one society sectors in I 紹介 医療は社会の1つの分野である 0.60
most important saves thousands of human lives every day. 最も重要なのは 毎日数千人の命を救うことです 0.70
There is immense pressure on doctors treat every patient available. すべての患者を治療する医師には大きなプレッシャーがある。 0.71
Humans are prone to error. 人間はエラーを起こしやすい。 0.73
It is only normal that doctors will make mistakes. 医者が間違いをするのは普通だ。 0.63
But in medical sector, when doctors make mistakes, and often results in unwanted death. しかし医療分野では、医者がミスを犯し、しばしば不必要な死に至る。 0.77
Using the PneuNet, doctors can they reached was accurate or not. PneuNetを使えば、医師は正確かどうかを判断できる。 0.71
This system will help to reduce the pressure off from the doctors. このシステムは、医師からの圧力を軽減するのに役立つだろう。 0.82
Other than the doctors, by uploading the x-ray picture in PneuNet to see whether he or she has pneumonia or not. 医師以外は、肺炎の有無を確認するために、PneuNetにX線画像をアップロードする。 0.63
This will reduce the cost of going to see the doctors again and again. これにより、医師に何度も診察する費用が削減される。 0.68
For themselves is deadly のために 自身 致命的です 0.62
to make patients to make 患者 0.83
verdict check check 評決 チェック チェック 0.65
x-ray sure X‐ray もちろん 0.60
also can the また できる はあ? 0.59
the by it はあ? ところで それ 0.53
and often afford そして しばしば 費用 0.67
people cannot expensive developing and under-developed countries, health care is the treatment. 人 できない 高価 発展途上国、発展途上国、医療は治療である。 0.68
This system can largely help the patients in these regions to check for pneumonia rather easily than going to the doctor’s multiple times for checkup. このシステムは、これらの地域の患者が、診察のために医師の複数回に行くよりも、肺炎の診断が容易になるのに役立つ。 0.74
This for system to pneumonia which will get the health sector treatment with proper itself, this PneuNet will help the process resources. このシステムから肺炎へのアプローチは、医療セクターに適切な治療を与えるもので、このPneuNetはプロセスリソースに役立つ。 0.76
The doctors can which will save time and treat more patients at a lower is getting benefitted using this system. 医師は時間を節約し、より低い患者を治療できるので、このシステムで恩恵を受けることができる。 0.72
reduce help less cost. 援助を減らし コストを下げます 0.69
For treatment people the insolvent のために 治療人 insolvent―insolvent 0.67
cost, and everyone to automate コストがかかります 自動化する 0.61
cost to help will 費用 助けて ウィル 0.51
[1]. x-ray [1]. X‐ray 0.62
image II. has been detection image II。 検出され 0.77
Previous Works of works with a lot along as well 先行作品 随分と それも 0.44
learning as done machine 学びながら done + machine 0.68
researchers used deep using There in medical disease learning. 研究者は深層で 医学的な病気の学習がある。 0.66
However, for pneumonia detection, there has not been research was a lot of work done, only a handful of them, found regarding Pneumonia detection. しかし、肺炎の検出には多くの研究がなされておらず、肺炎検出に関する研究はごくわずかしか行われていない。 0.77
Among some of to detect the pneumonia generating heatmap to see the regions where the pneumonia was detected transfer learning to detect whether the person has pneumonia or not two articles that transfer learning yielded better results than other used focal loss to prevent bias in the imbalanced dataset [3]. 肺炎の発生熱マップを検知し、肺炎が検出された領域を観察し、肺炎を発症したか否かを判定する一部の例では、不均衡データセットのバイアスを防止するために、他の使用済み焦点損失よりも優れた結果が得られる。 0.65
Many used Class Activation Map (CAM) to get the discriminative image regions used by identify a a Convolutional Neural Network (CNN) specific a trained on Convolutional Neural Network which was millions thousand classify used classes of images accurately [5]. 多くの人がCAM(Class Activation Map)を使用して、畳み込みニューラルネットワーク(CNN)で訓練された特定の畳み込みニューラルネットワーク(Convolutional Neural Network, CNN)を特定し、使用済み画像のクラスを正確に分類した。 0.75
to ResNet-50 ResNet-50へ 0.66
algorithms. researchers アルゴリズム。 研究者 0.71
researchers comparing 研究者 comparison~ 0.74
researcher research, worked 研究者 研究だ 働いた 0.67
images It was image 画像 だった。 image 0.75
found Other some 見つかった その他 一部 0.61
other these class その他 これ クラス 0.65
and [4]. [2]. そして [4]. [2]. 0.69
out the on by 出ろ はあ? オン ところで 0.56
of In in to ですから 院 イン へ 0.54
From the previous works, it was found out that the ResNet-50 pre-trained model would be a good option to use for pneumonia detection. これまでの研究から、resnet-50事前訓練されたモデルは肺炎検出に最適な選択肢であることが判明した。 0.72
Along with ResNet-50, focal loss would be applied to increase the accuracy of imbalanced dataset which was used in this paper. ResNet-50とともに、この論文で用いた不均衡データセットの精度を高めるために焦点損失を適用した。 0.74
Also, CAM was used the lungs また、CAMは肺にも使用された。 0.65
region of inflamed by pneumonia. 肺炎で炎症した領域。 0.73
This CAM the specific identify このCAM 具体的 識別 0.73
that to is あれ へ は 0.68
英語(論文から抽出)日本語訳スコア
the takes final convolutional はあ? と final‐convolutional 0.55
simply feature map and weighs every channel in that feature with the gradient of the loss with respect to the channel. 単純にフィーチャーマップを作り、その機能内のすべてのチャネルを、チャネルに対する損失の勾配で重み付けします。 0.77
All the approach mentioned above was implemented was the to 上述のアプローチが全て実施された。 0.64
web the PneuNet Web は PneuNet 0.76
application system PneuNet from 応用 システム PneuNet 0.66
system. in A developed results of the ease the use of users. システム in ユーザ使用の容易化に関する開発結果。 0.56
III. Methodology In this section, the process of developing PneuNet is III。 方法論 本稿では,PneuNetの開発プロセスについて述べる。 0.70
discussed in brief. 3.1 Data Collection 簡単に話し合った 3.1 データ収集 0.58
The data was collected researches which was detection [6]. データは収集され 検出された研究[6]。 0.79
The data was open-source data. データはオープンソースデータだった。 0.79
from one of the previous conducted on medical disease ある人から 前回は 医学的な病気で 0.63
3.2 Data Preprocessing and Visualization 3.2 データ前処理と可視化 0.67
to of train, for へ ですから 列車のために 0.61
total number total number 0.85
folders, subfolder フォルダー、サブフォルダー 0.77
into three contained organized as well as 3つにまとめられ 組織されたり 0.50
The dataset was divided into train and test data. データセットは、列車とテストデータに分割された。 0.71
The test, dataset was each validation image category, pneumonia and normal. 検査,データセットは各バリデーション画像カテゴリ,肺炎,正常であった。 0.79
There were 5863 x-ray images in jpeg format. jpegフォーマットのX線画像は5863枚あった。 0.60
Further visualization was done see how many cases of pneumonia and normal x-ray images there in the training dataset were. さらに、トレーニングデータセット内の肺炎と正常なX線画像の回数を可視化した。 0.65
The and total number of pneumonia cases was 3875 and the rest were normal records was 634. 肺炎の総数は3875例, 残りは634例であった。
訳抜け防止モード: 肺炎の総数は3875例であった。 残りは 通常の記録 634枚。
0.70
Also, some visualizations were done to see the x- ray images of normal cases and pneumonia cases. また, 正常症例と肺炎症例のX線像の可視化も行った。
訳抜け防止モード: 可視化もいくつか行われました 正常例と肺炎例のx線画像を見る。
0.76
Data augmentation was performed to increase the diversity of the training data without inserting new data into the training image flipping, and rotation were done to increase the number of training records. トレーニング画像のフリップに新たなデータを挿入することなくトレーニングデータの多様性を高めるためにデータ拡張を行い、トレーニング記録数を増やすためにローテーションを行った。 0.81
It will help to identify pneumonia cases much better and better the model. 肺炎の患者を同定し、モデルをより良くするのに役立つだろう。 0.73
Further works were done in the model building section. モデル建築部門でさらなる作業が行われた。 0.76
cases. The number of augmentation, records was 事件だ 数 増強 記録は 0.46
training dataset. 訓練 データセット。 0.70
5216 train data 5216 列車 データ 0.78
test the In model was compiled using focal loss as a loss function and Root Mean Square Propagation (RMSProp) as the optimizer function. テスト はあ? 院 モデルに焦点損失を損失関数とし,根平均二乗伝播(rmsprop)を最適化関数とした。 0.59
Furthermore, accuracy was used as the metric of the model. さらに、モデルのメトリックとして精度が使われた。 0.80
100. Early stopping mechanism 100. 早期 停止機構 0.79
While training, the batch sizes were 16 and epochs were to prevent overfitting. 訓練中、バッチサイズは16で、エポックはオーバーフィットを防ぐためだった。 0.53
Early stopping mechanism is used when the model can no longer learn and start to overfit. モデルが学習できなくなり、オーバーフィットし始めると、早期停止メカニズムが使用される。 0.79
CAM of pneumonia. The test set was used to evaluate the model the next Results and the section. 肺炎のCAM。 テストセットは、次の結果とセクションを評価するために使用されました。
訳抜け防止モード: 肺炎のCAM。 テストセットが使用されました 次の結果とセクションのモデルを評価すること。
0.72
results will be discussed prediction 結果は議論されます 予測 0.73
process during used プロセス その間 使用 0.69
used was was the 使用 です です はあ? 0.55
in 3.4 PneuNet model イン 3.4 PneuNet モデル 0.66
The and was saved そして です 助かった 0.49
web application where the user will upload the image of x- ray and the model will identify and predict whether the uploaded x-ray image has pneumonia or not. ユーザがX線画像をアップロードするWebアプリケーションで、アップロードしたX線画像が肺炎であるか否かをモデルが識別し、予測する。 0.76
And if the patient has pneumonia then the system will identify the region patient highlighted the infected region in his x-ray image. 患者が肺炎を患っている場合、システムはx線画像で感染した領域を強調した領域の患者を識別する。 0.74
deployed another image 配備 もう一つ image 0.58
show and the ショー そして はあ? 0.59
as to a IV. として へ あ IV。 0.61
Results The final model has achieved an accuracy of 90.06 percent using the test dataset for predicting whether a patient has been infected by pneumonia. 結果 最終モデルは、患者が肺炎に罹患したかどうかを予測するテストデータセットを使用して、90.6%の精度を達成した。 0.69
Furthermore, the precision and recall of our model are 92 and 93 さらに、モデルの精度とリコールは92と93である。 0.73
3.3 Model final architecture. 3.3モデル 最後の建築 0.64
The custom followed by a dropout the output 慣習に従って出力がドロップアウトされる 0.72
In this paper, pre-trained ResNet-50 was used as a base model. 本稿では,ResNet-50をベースモデルとして使用した。 0.73
Image size of 224,224,3 was used as input for base model. 224,224,3の画像サイズをベースモデルの入力として用いた。 0.65
The base model layers were frozen and followed by some custom layers were added to create the layers consist of a layer and again a dense dense layer as well. ベースモデル層は凍結され、さらにいくつかのカスタム層が追加され、層と密度の高い層で構成された層が作られるようになった。 0.75
The first dense layer had 50 neurons and for the activation function Rectified Linear Unit (ReLU) was used. 最初の高密度層は50個のニューロンを持ち、活性化関数Rectified Linear Unit (ReLU) が使用された。 0.78
Then in the dropout layer, dropout 0.5 was applied to all the neurons. そして、ドロップアウト層において、すべてのニューロンに0.5のドロップアウトを施した。 0.59
In the final layer, sigmoid activation functions were used to get the final output of the model. 最終層では、モデルの最終出力を得るためにsgmoidアクティベーション関数が使用された。 0.78
The layer layer which was layer (複数形 layers) 0.47
Figure 1: Train vs validation loss respectively. 図1: 電車とバリデーションの損失それぞれ。 0.68
From Figure 1, it percent, seen how the train and validation loss is decreasing over the number of is increasing over the number of epochs for both training and in 図1から トレーニングとインの両方のエポック数の増加とともに、列車と検証の損失が減少しているのを見てみましょう。 0.57
confusion matrix was validation. 混乱マトリックスは 検証。 0.61
The epochs. Also, figure 2, エポック また 図2 0.37
accuracy can be accuracy can be ... 0.65
shown from 示します from ~ 0.69
英語(論文から抽出)日本語訳スコア
Figure 3. In Figure 4, the Receiver Operating 図3。 図4で、受信者が操作します 0.70
Figure 2: Train vs validation accuracy 図2: 列車 vs 検証精度 0.73
Characteristic (ROC) curve was shown and the Area Under Curve (AUC) was 89 percent. 特性曲線(ROC)が示され,AUC(Area Under Curve)は99%であった。 0.76
Figure 3: Confusion matrix 図3:混乱マトリックス 0.72
Figure 4: ROC Curve Figure 5: PneuNet prediction 図4:ROC曲線 図5:PneuNet予測 0.79
Figure 5 shows that the patient who uploaded the x- images is 図5は、X-画像をアップロードした患者が 0.78
pneumonia ray the highlighted using the PneuNet system. pneumonia ray the highlight using the pneunet system (英語) 0.77
infected area and 感染 エリア そして 0.73
has V. Discussion have ... V.討論 0.51
percent. percent 92 パーセント 92パーセントです 0.53
90 previous 77 around that 90年前 77人です 0.59
This is researches [1]. これがresearches [1]である。 0.69
and From the result section, the accuracy of this model around huge is showing a over their improvement as Also, around was accuracy the precision recall are and percent, 93 respectively. そして 結果, このモデルでは, 精度が向上し, 精度が向上し, それぞれ93。
訳抜け防止モード: そして 結果から,この大域周辺のモデルの精度は,その改善を超越していることが示されている。 また, 精度は前後で, 精度は93。
0.73
This shows this model is quite good. これは、このモデルが非常に良いことを示している。 0.57
For pneumonia, the cost of false prediction is very high. 肺炎の場合、偽予測のコストは非常に高い。 0.71
So, 92 percent precision and 93 identify the model can correctly percent correctly. つまり、92%の精度と93%の精度でモデルが正しく正解できる。 0.76
and The F1 this the AUC of score model the model is able to separate the classes of whether the patient has pneumonia or not pneumonia. そしてF1は、AUCのスコアモデルであり、患者が肺炎を患っているかどうかのクラスを分離することができる。 0.70
label for is around 89 percent, patient is 0.92. ラベルは99%です 患者は0.92 0.60
Also, the this model the performance of また このモデルは performance (複数形 performances) 0.52
recall mean that means 思い出して ということは 0.50
pneumonia Focal pneumonia 焦点 0.68
loss helped this model with imbalanced dataset. 損失は 不均衡なデータセットを持つモデルです 0.65
Also, CAM helped to make The dataset records were only around 5000. また、CAMはデータセットの記録を5000程度に抑えるのに役立った。 0.72
More dataset will aid in getting much higher accuracy. より多くのデータセットは、はるかに高い精度を得るのに役立つだろう。 0.51
to achieve high accuracy detection 高い精度で達成する 検出 0.81
images. region the 画像。 地域 はあ? 0.59
in from x-ray イン from ~ X‐ray 0.61
Additionally, the results of this research were saved, and a product was built for the ease of user. さらに、この調査の結果は保存され、ユーザにとって容易な製品が作られました。 0.76
None other research prior to that focused on the end product which will help the mass public. それ以前の他の研究は、一般大衆に役立つ最終製品に重点を置いていなかった。 0.63
VI. Conclusion to World Health Organization VI。 世界保健機関への帰結 0.78
According number in によると number + in 0.59
is drastically increasing third world countries due the 第三世界の国々を 劇的に増加させています 0.62
(WHO) pneumonia accounts for 15% of all deaths of children in 2017. under 5 years old, killing 808694 year each This especially to lack of experts. (who)肺炎は2017年の子供の死亡率の15%を占め、5歳未満でそれぞれ808694歳で死亡している。
訳抜け防止モード: (who)肺炎は2017年の小児死亡の15%を占めた。 5歳以下。 それぞれ808694年、特に専門家の欠如により殺害される。
0.81
Early diagnosis is the key to prevent such huge number of children’s death. 早期診断は、このような大量の子どもの死を防ぐための鍵である。 0.82
Chest X-rays are the most widely used method to diagnose pneumonia by medical and experts experts. 胸部X線は、医療専門家や専門家が肺炎を診断するのに最も広く用いられる方法である。 0.59
costly procedures countries pneumonia remains as a great threat of children’s lives. 費用のかかる手続き国である肺炎は、子供の命にとって大きな脅威である。 0.61
shortage of third world Due for 第三世界の不足 故に 0.66
to the children へ 子 0.51
英語(論文から抽出)日本語訳スコア
or Our proposed PneuNet system can be widely used of public for by ensures of pneumonia. あるいは 提案するPneuNetシステムは,肺炎の予防のために広く利用することができる。 0.81
Confusion matrix that system, thus by medical expenditure can be reduced in a large extend as well. 混乱マトリクスは、医療費によっても大幅に削減することができる。 0.48
early our model using the radiologists 初期のモデルでは 放射線技師 0.53
detection PneuNet 検出 PneuNet 0.80
reliable is on 信頼できる は オン 0.68
VII. References [1] Rajpurkar, P., Irvin, J., Zhu, K., Yang, B., Mehta, H., Duan, T., ... & Lungren, M. P. (2017). VII。 参照 [1] Rajpurkar, P., Irvin, J., Zhu, K., Yang, B., Mehta, H., Duan, T., ... & Lungren, M. P. (2017)。 0.85
Chexnet: Radiologist-level pneumonia preprint detection x-rays chest arXiv:1711.05225. Chexnet: 放射線技師レベルの肺炎プリプリント検出 x-rays chest arXiv:1711.05225。 0.52
[2] Kermany, D. S., Goldbaum, M., Cai, W., Valentim, C. C., Liang, H., Baxter, S. L., ... & Dong, J. [2] Kermany, D. S., Goldbaum, M., Cai, W., Valentim, C. C., Liang, H., Baxter, S. L., ... & Dong, J。 0.95
(2018). Identifying medical diagnoses and learning. (2018). 医学的診断と学習の特定。 0.80
Cell, 172(5), 1122-1131. 細胞、172(5)、1122-1131。 0.82
treatable diseases by image-based deep 治療可能な病気 イメージベース深層 0.74
learning. arXiv 学ぶこと。 arXiv 0.76
deep with [3] Lin, T. Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017). 深く と [3] Lin, T. Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017) 0.75
Focal loss for dense object detection. 密度物体検出のための焦点損失 0.79
In Proceedings of the IEEE international conference on computer vision (pp. In Proceedings of the IEEE International Conference on Computer Vision (p。 0.75
2980-2988). 2980-2988). 0.78
[4] Zhou, B., Khosla, A., Lapedriza, A., Oliva, A., & Torralba, A. [4]Zhou, B., Khosla, A., Lapedriza, A., Oliva, A., & Torralba, A. 0.81
(2016). Learning deep features for discriminative localization. (2016). 識別的局所化のための深層特徴の学習 0.71
In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp。 0.77
2921-2929). 2921-2929). 0.78
[5] He, K., Zhang, X., Ren, S., & Sun, J. [5] He, K., Zhang, X., Ren, S., & Sun, J. 0.85
(2016). Deep residual IEEE learning conference on computer vision and pattern recognition (pp. (2016). コンピュータビジョンとパターン認識に関するIEEE深層学習会議(p。 0.76
770- 778). 770- 778). 0.98
[6] Kermany, D. (2018, January 6). [6] Kermany, D. (2018年1月6日). 0.91
Labeled Optical Coherence Tomography (OCT) and Chest X-Ray Images for Classification. 光学コヒーレンストモグラフィ(OCT)と胸部X線画像の分類 0.64
Retrieved from https://data.mendele y.com/datasets/rscbj br9sj/2. https://data.mendele y.com/datasets/rscbj br9sj/2 0.42
In Proceedings recognition. image 手続き中 認識 image 0.64
the for of はあ? ですから ですから 0.47
         ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。