論文の概要、ライセンス

# (参考訳) wisdomnet:後天性胸部x線撮影による偽陰性症例の低予後とardsの成熟確率 [全文訳有]

WisdomNet: Prognosis of COVID-19 with Slender Prospect of False Negative Cases and Vaticinating the Probability of Maturation to ARDS using Posteroanterior Chest X-Rays ( http://arxiv.org/abs/2107.01392v1 )

ライセンス: CC BY-SA 4.0
Peeyush Kumar, Ayushe Gangal and Sunita Kumari(参考訳) ウイルスは多様なウイルスからなる大きなウイルスファミリーであり、一部のウイルスは哺乳類に広まり、他のウイルスはヒトに病気を引き起こす。 新型コロナウイルスは高度に感染し、急速に拡大しており、早期に既往の状態を診断している。 世界中の研究者、医療専門家、組織は、このウイルスと闘い、その封じ込めを助けるために熱心に取り組んできた。 本稿では,胸部X線を用いた新型コロナウイルスの診断のために,WisdomNetと呼ばれる新しいニューラルネットワークが提案されている。 WisdomNetはWisdom of Crowdsという概念を創始のアイデアとしている。 胸部X線画像を入力として利用する2層畳み込みニューラルネットワーク(CNN)である。 提案するニューラルネットワークの両レイヤはそれぞれ,複数のニューラルネットワークで構成されている。 本研究に用いられたデータセットはcohen博士がgithubで編集し共有したcovid-19陽性患者の胸部x線画像からなり、カグルからウイルス性肺炎および細菌性肺炎の影響を受ける健康な肺と肺の胸部x線画像を得た。 このネットワークは、新型コロナウイルスの存在を突き止めるだけでなく、急性呼吸障害症候群(ARDS)に成熟する可能性も示している。 これにより、covid-19陽性患者の疾患の進行を予測することができる。 また、このネットワークは偽陰性症例の発生を、閾値の高い値で抑制し、感染拡大を抑制するのに役立ち、covid-19、細菌、ウイルス性肺炎を患った患者の胸部x線中のcovid-19の予測に100%の精度を与える。

Coronavirus is a large virus family consisting of diverse viruses, some of which disseminate among mammals and others cause sickness among humans. COVID-19 is highly contagious and is rapidly spreading, rendering its early diagnosis of preeminent status. Researchers, medical specialists and organizations all over the globe have been working tirelessly to combat this virus and help in its containment. In this paper, a novel neural network called WisdomNet has been proposed, for the diagnosis of COVID-19 using chest X-rays. The WisdomNet uses the concept of Wisdom of Crowds as its founding idea. It is a two-layered convolutional Neural Network (CNN), which takes chest x-ray images as input. Both layers of the proposed neural network consist of a number of neural networks each. The dataset used for this study consists of chest x-ray images of COVID-19 positive patients, compiled and shared by Dr. Cohen on GitHub, and the chest x-ray images of healthy lungs and lungs affected by viral and bacterial pneumonia were obtained from Kaggle. The network not only pinpoints the presence of COVID-19, but also gives the probability of the disease maturing into Acute Respiratory Distress Syndrome (ARDS). Thus, predicting the progression of the disease in the COVID-19 positive patients. The network also slender the occurrences of false negative cases by employing a high threshold value, thus aids in curbing the spread of the disease and gives an accuracy of 100% for successfully predicting COVID-19 among the chest x-rays of patients affected with COVID-19, bacterial and viral pneumonia.
公開日: Sat, 3 Jul 2021 09:55:28 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
Kumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 Article 6236 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 Print ISSN: 0973-7510; E-ISSN: 2581-690X Kumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 Article 6236 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 Print ISSN: 0973-7510; E-ISSN: 2581-690X 0.65
ReVIeW ARTICle リバイバル・アーティクル 0.42
OPeN ACCe SS OPeN ACCe SS 0.85
WisdomNet: Prognosis of COVID-19 with Slender Prospect of False Negative Cases and Vaticinating the Probability of Maturation to ARDS using Posteroanterior Chest X-Rays wisdomnet:後天性胸部x線撮影による偽陰性症例の低予後とardsの成熟確率
訳抜け防止モード: WisdomNet : インフルエンザの予後と偽陰性症例の少ない展望 後部胸部X線を用いたARDSの成熟確率の検討
0.67
Peeyush Kumar, Ayushe Gangal and Sunita Kumari* ピエシュ・クマル、アユシ・ガンガル、スニータ・クマリ...... 0.41
G.B. Pant Government Engineering College, Delhi - 110 020, India. G.B. インド・デリー州パント・ガバメント・エンジニアリング・カレッジ(110 020)。 0.66
Abstract Coronavirus is a large virus family consisting of diverse viruses, some of which disseminate among mammals and others cause sickness among humans. 抽象コロナウイルス(Abstract Coronavirus)は、多種多様なウイルスからなる大型ウイルスファミリーであり、一部のウイルスは哺乳類に拡散し、他のウイルスはヒトに病気を引き起こす。
訳抜け防止モード: 抽象コロナウイルスは多様なウイルスからなる大型ウイルスファミリーである。 哺乳類に広まるものもあれば、人間に病気を引き起こすものもある。
0.66
COVID-19 is highly contagious and is rapidly spreading, rendering its early diagnosis of preeminent status. 新型コロナウイルスは高度に感染し、急速に拡大しており、早期に既往の状態を診断している。
訳抜け防止モード: 新型コロナウイルスは感染力が高く、急速に拡大している。 先天的状態の早期診断を行う。
0.46
Researchers, medical specialists and organizations all over the globe have been working tirelessly to combat this virus and help in its containment. 世界中の研究者、医療専門家、組織は、このウイルスと闘い、その封じ込めを助けるために熱心に取り組んできた。 0.66
In this paper, a novel neural network called WisdomNet has been proposed, for the diagnosis of COVID-19 using chest X-rays. 本稿では,胸部X線を用いた新型コロナウイルスの診断のために,WisdomNetと呼ばれる新しいニューラルネットワークが提案されている。 0.56
The WisdomNet uses the concept of ‘Wisdom of Crowds’ as its founding idea. WisdomNetは‘Wisdom of Crowds’というコンセプトを創業のアイデアとして使っている。 0.81
It is a two-layered convolutional Neural Network (CNN), which takes chest x-ray images as input. 胸部X線画像を入力として利用する2層畳み込みニューラルネットワーク(CNN)である。 0.76
Both layers of the proposed neural network consist of a number of neural networks each. 提案するニューラルネットワークの両レイヤはそれぞれ,複数のニューラルネットワークで構成されている。 0.69
The dataset used for this study consists of chest x-ray images of COVID-19 positive patients, compiled and shared by Dr. Cohen on GitHub, and the chest x-ray images of healthy lungs and lungs affected by viral and bacterial pneumonia were obtained from Kaggle. 本研究に用いられたデータセットはcohen博士がgithubで編集し共有したcovid-19陽性患者の胸部x線画像からなり、カグルからウイルス性肺炎および細菌性肺炎の影響を受ける健康な肺と肺の胸部x線画像を得た。 0.73
The network not only pinpoints the presence of COVID-19, but also gives the probability of the disease maturing into Acute Respiratory Distress Syndrome (ARDS). このネットワークは、新型コロナウイルスの存在を突き止めるだけでなく、急性呼吸障害症候群(ARDS)に成熟する可能性も示している。 0.63
Thus, predicting the progression of the disease in the COVID-19 positive patients. これにより、covid-19陽性患者の疾患の進行を予測することができる。 0.61
The network also slender the occurrences of false negative cases by employing a high threshold value, thus aids in curbing the spread of the disease and gives an accuracy of 100% for successfully predicting COVID-19 among the chest x-rays of patients affected with COVID-19, bacterial and viral pneumonia. また、このネットワークは偽陰性症例の発生を、閾値の高い値で抑制し、感染拡大を抑制するのに役立ち、covid-19、細菌、ウイルス性肺炎を患った患者の胸部x線中のcovid-19の予測に100%の精度を与える。 0.66
Keywords: WisdomNet, COVID-19, ARDS, chest x-rays, convolutional neural networks キーワード: wisdomnet、covid-19、ards、胸部x線、畳み込みニューラルネットワーク 0.74
*Correspondence: sunitakumari@gbpec.e du.in ※対応:sunitakumari@gbpec. edu.in 0.51
(Received: April 23, 2020; accepted: May 05, 2020) (受理:2020年4月23日受理:2020年5月05日) 0.73
Citation: Kumar P, Gangal A, Kumari S. WisdomNet: Prognosis of COVID-19 with Slender Prospect of False Negative Cases and Vaticinating the Probability of Maturation to ARDS using Posteroanterior Chest X-Rays. Citation: Kumar P, Gangal A, Kumari S. WisdomNet: Prognosis of COVID-19 with Slender prospect of False Negative Cases and Vaticinating the Probability of Maturation to ARDS using Posteroanterior Chest X-rays。 0.92
J Pure Appl Microbiol. J Pure Appl Microbiol 0.65
2020;14(suppl 1):869-878. doi: 10.22207/JPAM.14.SPL 1.24 © The Author(s) 2020. 2020:14(suppl 1):869-878. doi: 10.22207/JPAM.14.SPL 1.24 0.65
Open Access. This article is distributed under the terms of the Creative Commons Attribution 4.0 International License which permits unrestricted use, sharing, distribution, and reproduction in any medium, provided you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons license, and indicate if changes were made. オープンアクセス。 この記事は、クリエイティブ・コモンズ・アトリビューション4.0国際ライセンス(creative commons attribution 4.0 international license)に基づいて配布されており、原著者とソースに対して適切なクレジットを与え、クリエイティブ・コモンズ・ライセンスへのリンクを提供し、変更が行われたかどうかを示す。
訳抜け防止モード: オープンアクセス。 本条は,任意の媒体における無制限の使用,共有,配布及び再生を許可するCreative Commons Attribution 4.0 International Licenseの条項に基づいて配布される。 原作者と原作者に適切な信用を与えるならば Creative Commonsライセンスへのリンクを提供し、変更が行われたかどうかを示す。
0.78
Journal of Pure and Applied Microbiology 純粋・応用微生物学雑誌 0.77
869 www.microbiologyjour nal.org 869 microbiologyjournal. org 0.70
英語(論文から抽出)日本語訳スコア
INTRODUCTION The newly found SARS-COV-2 virus is zoonotic in nature and causes COVID-19, as named by the WHO on 11th February 20201. 新たに発見されたSARS-COV-2ウイルスは自然界で動物性であり、20201年2月11日にWHOによって命名された新型コロナウイルスを引き起こす。 0.51
It has affected, as of this writing, 27,09,483 people and has claimed the lives of 1,90,872 people across the globe4. 執筆時点で27,09,483人に影響し、全世界で1,90,872人が死亡した。 0.66
Though, its mortality rate is 3.4%5 which is lower than that of SARS and MERS with 9.6% and 34.3% respectively, but it has augmented into a vicious malady because of its high reproductive number R0. しかし、その死亡率は3.4%5であり、それぞれ9.6%と34.3%のsarsとmersよりも低いが、生殖数r0が高いため、悪質な病気に発展している。 0.69
COVID-19 has R0 of (2 - 3.5), which is much higher than SARS and MERS6. COVID-19 の R0 は (2 - 3.5) で、SARS や MERS6 よりもかなり高い。 0.76
Testing has been called as our form of intelligence, which will give us an edge over the newly spreading coronavirus7. テストは私たちのインテリジェンスの形式と呼ばれており、新たに拡大する新型コロナウイルス(covid-19)に対する優位性を与えてくれます。
訳抜け防止モード: テストは私たちのインテリジェンス形式と呼ばれています。 新型コロナウイルスの感染拡大を 食い止めてくれるでしょう
0.63
The present gold-standard for testing is the reverse transcription-polyme rase chain reaction (RT-PCR), which works by detecting viral nucleic acid8. 現在の試験用ゴールドスタンダードは逆転写ポリメラーゼ鎖反応(RT-PCR)であり、ウイルス核酸8を検出できる。 0.79
Unfortunately, this method of testing has been deemed faulty by many doctors and researchers and is said to have a false negative rate of up to 30%9, which can prove to be extremely precarious especially considering the diseases’s high reproductive number. 残念なことに、この検査方法は多くの医師や研究者によって誤りと見なされており、偽陰性率は最大30%であり、特に高い生殖数を考えると極めて危険である。
訳抜け防止モード: 残念なことに、この検査方法は多くの医師や研究者に欠陥があると考えられてきた 偽陰性率は30%までとされ これは、特に病気の生殖数が高いことを考えると、非常に不安定であることが証明される。
0.64
Therefore, there is a dire need to come up with newer and better approaches for testing. したがって、テストのためのより新しいより良いアプローチを思いつく必要がある。 0.65
Amid the world’s constant endeavor over this contagion, it is better to be safe than sorry, therefore, a false positive can still be overlooked and made up for, but a false negative can hugely spoil all results obtained till now from the world wide lockdown. この伝染に対する世界の絶え間ない努力の中で、謝るより安全である方が良いため、偽陽性は見過ごされ、補足される可能性があるが、偽陰性は、世界規模のロックダウンでこれまで得られたすべての結果を大きく損なう可能性がある。 0.70
Therefore, an accurate testing method is what will lead us to win this war against COVID-19. そのため、正確な検査方法が、COVID-19に対するこの戦争に勝利するきっかけとなります。 0.76
Deep learning has proved to be an asset and has shown potential in detecting COVID-19 using chest X-rays and computed tomography (CT)10-15,19-22. 深層学習は、胸部X線とCT(Computed tomography)10-15,19- 22を用いて新型コロナウイルスを検出する可能性を示している。 0.58
The approaches used so far by researchers have been able to classify chest x-rays and CTs but up to a certain level of accuracy and have employed unnecessarily heavy networks which have intense hardware requirements10-14. これまでの研究者によるアプローチでは、胸部X線とCTをある程度の精度で分類することができ、ハードウエア要件の厳しいネットワークを必要以上に利用してきた。 0.66
Some of the approaches are not found to be targetspecific enough and were detecting pneumonia using a pneumonia specific dataset13, while some detected COVID-19, SARS, MERS and ARDS3 by placing them all in a single class11, overlooking the fact that majority of the COVID-19 cases do not achieve the ferocity of SARS and MERS at the initial stage, and also that (acute respiratory distress syndrome) ARDS is a stage which is achieved in critical stages of respiratory diseases and is not これらのアプローチのいくつかは、肺炎特異的なデータセット13を使用して肺炎を十分に特異的に検出することや、covid-19、sars、mers、ards3を単一のクラス11に置くことで検出すること、新型コロナウイルスの症例の大多数が初期の段階ではsarsやmersの異常性を達成できていないこと、そして(急性呼吸窮迫症候群)ardsは呼吸器疾患の臨界段階において達成される段階であり、そうではないこと、などを考慮に入れている。 0.57
an independent disease caused by a pathogen in itself15. 15の病原体によって引き起こされる独立した病気。 0.72
But a major drawback of the researches hitherto is that they can’t be used solely as a method of testing for coronavirus and requires the RT-PCR test for confirmation, thus defeating the whole purpose of presenting an alternative testing methodology10-14. しかし、hhertoの研究の大きな欠点は、新型コロナウイルスの検査の手段としてのみ使用することはできないこと、rt-pcr検査の確認が必要であること、そのため代替検査方法論の提示という目的が完全に失われることである。 0.57
In this paper, a novel and more reliable approach for detecting the presence of COVID-19, using chest X-rays, has been presented. 本稿では,胸部x線を用いた新しい,より信頼性の高いcovid-19検出法を提案する。 0.56
A neoteric neural network called WisdomNet has been proposed, which not only detects the presence of the disease but also informs about the progression of the diseases by giving the patient’s probability of approaching the ARDS stage using the chest x-ray images. WisdomNetと呼ばれる新奇ニューラルネットワークが提案され、疾患の存在を検知するだけでなく、胸部X線画像を用いてARDSステージに近づく確率を患者に与え、疾患の進行を知らせる。 0.64
The aim of this network is to minimize the occurrences of false negative cases, thus introducing a streak of surety in the testing outcomes, which by far has not been performed successfully. 本ネットワークの目的は, 偽陰性事例の発生を最小限に抑えることであり, テスト結果に確実性のストリークを導入することである。 0.60
The founding idea of this paper is based on a concept called ‘Wisdom of Crowds’, which was introduced in 2004 by James Surowiecki2. この論文の発案は、2004年にJames Surowiecki2 によって導入された 'Wisdom of Crowds' という概念に基づいている。 0.82
It has been repeatedly proven that the intelligence of a cluster of people is higher than that of any single person, be it exit polls for elections, stocks and mutual funds16, forecasting17, businesses governing the economy18 and so on. 選挙、株式、相互資金に関する世論調査16、予測17、経済18を統括する企業などにおいて、人々の集団の知性は1人よりも高いことが繰り返し証明されている。 0.65
The WisdomNet is a two-layered neural network whose each layer incorporates 80 neural networks each. WisdomNetは、各レイヤがそれぞれ80のニューラルネットワークを組み込んだ2層ニューラルネットワークである。 0.74
The first layer classifies the chest x-rays into COVID-19 positive or negative, and the second layer predicts the probability of maturation of the disease into ARDS for the x-rays which were previously classified as COVID-19 positive. 第1層は胸部x線を陽性または陰性に分類し、第2層は、以前にcovid-19陽性と分類されたx線に対して、この疾患が成熟する確率をardsに予測する。 0.64
The network successfully implements the concept of wisdom of crowds by considering the aggregate of the probabilities generated by each of the 80 networks in each layer. このネットワークは、各層で80個のネットワークが生成する確率の集約を考慮し、群衆の知恵という概念をうまく実装した。 0.79
The results obtained are in agreement with the theory presented in the paper and an accuracy of 100% is achieved for the task of predicting COVID-19. 得られた結果は、論文で提示された理論と一致し、新型コロナウイルスの予測タスクにおいて100%の精度が達成される。
訳抜け防止モード: 得られた結果は論文で示された理論と一致している そして、covid-19の予測タスクの精度は100%である。
0.76
The paper is divided into 5 sections. 紙は5つのセクションに分かれている。 0.75
Section 2 talks about the research hitherto for COVID-19 and the related concepts so as to juxtapose the previous works and the proposed system accurately. 第2節では、新型コロナウイルス研究のヒッシャートとその関連概念について述べ、先行研究と提案システムについて正確に照会する。 0.51
Section 3 delineates the proposed methodology with explanatory diagrams. 第3節では、説明図で提案手法を概説する。 0.52
Section 4 gives the results analysis and section 5 talks about the cogent conclusions that can be drawn from this study. 第4節は、結果分析を行い、第5節は、本研究から引き出すことのできる有意義な結論について述べる。 0.59
870 www.microbiologyjour nal.orgKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 Journal of Pure and Applied Microbiology 870 www.microbiologyjour nal.orgKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 Journal of Pure and Applied Microbiology 0.74
英語(論文から抽出)日本語訳スコア
RelATeD WORKS Authors 10 fine-tuned the top layer of famous Deep Learning architectures and compared their results using chest x-ray and CT dataset. RelATeD WORKS Authors 10は有名なDeep Learningアーキテクチャの上位層を微調整し、胸部X線とCTデータセットを用いて結果を比較した。 0.73
The VGG16, VGG19, Xception, Resnet50, DenseNet201, Inception_V3, Inception_ ResNet_V2 and MobileNet_V2 architectures are considered for this study. 本稿では,VGG16,VGG19,Xceptio n,Resnet50,DenseNet2 01,Inception_V3,Ince ption_ResNet_V2,Mobi leNet_V2アーキテクチャについて検討する。
訳抜け防止モード: VGG16, VGG19, Xception, Resnet50, DenseNet201, Inception_V3, インセプション _ ResNet_V2 と MobileNet_V2 アーキテクチャが検討されている。
0.65
The proposed CNN architecture consisted of the input layer, convolutional layers, pooling layers, ReLu layers and the fully connected layers. 提案するcnnアーキテクチャは、入力層、畳み込み層、プール層、relu層、および完全に接続された層で構成される。
訳抜け防止モード: 提案するcnnアーキテクチャは,入力層,畳み込み層で構成された。 プール層、relu層、および完全接続層。
0.74
The dataset used consisted of 5856 chest x-ray and CT images. 用いたデータセットは5856個の胸部X線画像とCT画像で構成されていた。 0.47
Resnet50, Inception_ReseNet_V2 and MobileNet_ V2 obtained the highest accuracy of 96%. Resnet50、Inception_ReseNet_V2 、MobileNet_V2は96%の精度を得た。 0.59
Authors11 suggested a new methodology for detecting the presence of COVID-19 using eleven pre-trained convolutional networks. 著者11は、11の事前訓練された畳み込みネットワークを用いて新型コロナウイルスの存在を検出する新しい方法を提案した。 0.45
Deep features from the fully connected layer of AlexNet, VGG16, VGG19, Xception, Resnet18, Resnet50, Resnet101, Inceptionv3, Inceptionresnetv2, GoogleNet and Densenet201 were extracted and fed into Support Vector Machine (SVM) classifier for training. alexnet, vgg16, vgg19, xception, resnet18, resnet50, resnet101, inceptionv3, inceptionresnetv2, googlenet, densenet201の完全接続層からの深い特徴を抽出し、サポートベクターマシン(svm)の分類器に供給してトレーニングを行った。 0.76
Combined datasets of SARS, MERS, ARDS and COVID-19 from GitHub, Kaggle and Open-i repositories were used for this study. この研究には、GitHub、Kaggle、Open-iリポジトリからのSARS、MERS、ARDS、COVID-19のデータセットが併用された。 0.64
ResNet50 plus SVM gave the best results among all networks. ResNet50とSVMはすべてのネットワークで最高の結果を得た。 0.72
Authors12 used Generative Adversarial Network (GAN) along with deep transfer learning networks like AlexNet, GoogleNet, Resnet18 and Squeezenet for classifying COVID-19 on a pneumonia dataset containing 5863 chest x-ray images. 著者12は、GAN(Generative Adversarial Network)とAlexNet、GoogleNet、Resnet18、Squeezenetといった深層移行学習ネットワークを使用して、5863の胸部X線画像を含む肺炎データセット上でCOVID-19を分類した。 0.65
The images for training were generated by the GAN using the original dataset, and these images were used to train the deep transfer networks. トレーニング用の画像は、元のデータセットを使用してganによって生成され、これらの画像はディープトランスファーネットワークのトレーニングに使用された。 0.63
The Resnet18 achieved the highest accuracy of 99%. Resnet18は99%の精度を達成した。 0.77
Authors13 predicted the presence of viral pneumonia using 5863 chest x-ray images, assuming that a patient with viral pneumonia during the time of the epidemic has a high probability of being COVID-19 positive. 著者13は、5863個の胸部X線画像を用いてウイルス性肺炎の存在を予測し、新型コロナウイルス感染時のウイルス性肺炎患者が陽性になる確率が高いと仮定した。 0.72
Pre-trained CNN architectures like ResNet50, ResNet34, VGG19, InceptionResNetV2 and DenseNet169 were used as classifiers. ResNet50、ResNet34、VGG19、InceptionResNetV2、DenseNet169といったCNNアーキテクチャが分類器として使用された。 0.57
A bidirectional Long-Short Term Memory (LSTM-RNN) was used for detecting the final split images. 最終分割画像の検出には,双方向長短項メモリ(LSTM-RNN)を用いた。 0.75
All models were found to be at least 84% accurate and the InceptionResNetV2 detected the least number of false negative cases of viral pneumonia. 全てのモデルが84%以上正確であることが判明し、InceptionResNetV2はウイルス性肺炎の偽陰性症例の最小数を検出した。 0.77
871 Authors14 proposed a deep learning based framework for detecting COVID-19 using 50 chest x-ray images available on GitHub. 871 Authors14は、GitHubで利用可能な50個の胸部X線画像を使用してCOVID-19を検出するディープラーニングベースのフレームワークを提案した。
訳抜け防止モード: 871 Authors14がディープラーニングベースのフレームワークを提案 50個の胸部X線画像を使用してCOVID-19を検出する。
0.73
The proposed framework made use of seven deep convolutional neural networks (DCNN) like VGG19, MobileNetV2, DenseNet201, InceptionResNetV2, InceptionV3, Xception and ResNetV2. 提案手法では,vgg19,mobilenetv2, densenet201, inceptionresnetv2, inceptionv3, xception, resnetv2などの7つの深層畳み込みニューラルネットワーク(dcnn)を用いた。 0.65
The DenseNet201 and VGG19 obtained the highest accuracy of 90% among all. DenseNet201とVGG19はいずれも90%の精度であった。 0.80
Authors19 proposed the use of modified CNN and a modified pre-trained AlexNet model for the detection of COVID-19 using the chest x-ray and CT images. 著者19は、胸部x線とct画像を用いたcovid-19の検出にcnnの改良とalexnetモデルの改良を提案した。 0.71
The modified CNN consisted of a single convolutional layer with 16 filters, a batch normalization layer, ReLu function layer, two fully connected layers, softmax function layer and a layer for classification. 修正cnnは、単一の畳み込み層に16のフィルタ、バッチ正規化層、relu関数層、2つの完全連結層、ソフトマックス関数層、分類層で構成されていた。 0.72
The data used for this study was collected from 5 different sources and consisted of 170 x-ray and 361 CT images in total. 本研究で用いたデータは5つの異なるソースから収集され、170枚のX線画像と361枚のCT画像からなる。 0.67
The modified CNN obtained 94.1% accuracy for CT images and modified AlexNet obtained 98% accuracy for x-rays. 修正されたCNNは、CT画像の94.1%の精度を獲得し、修正されたAlexNetは、X線に対する98%の精度を得た。
訳抜け防止モード: CT画像における修正CNNの精度94.1% 修正されたAlexNetは、X線に対して98%の精度を得た。
0.55
Authors20 proposed a capsule networks based framework called COVID-CAPS for the detection of COVID-19 using a small dataset containing x-ray images of normal, non-COVID-19 viral, bacterial and COVID-19. 著者20は、通常の、非新型コロナウイルスウイルス、細菌、および新型コロナウイルスのX線画像を含む小さなデータセットを使用して、COVID-19を検出するためのカプセルネットワークベースのフレームワークであるCOVID-CAPSを提案した。
訳抜け防止モード: Authors20はカプセルネットワークベースのフレームワークを提案した COVID -正常なX線画像を含む小さなデータセットを用いて、COVID-19検出のためのCAPS。 非新型コロナウイルス、細菌、および新型コロナウイルス。
0.55
The proposed framework consisted of four convolutional layers and three capsule layers. 提案手法は4つの畳み込み層と3つのカプセル層からなる。 0.71
COVID-CAPS was able to achieve 95.7% accuracy. COVID-CAPSは95.7%の精度を達成した。 0.60
Authors21 presented a method based on artificial neural networks (ANN) for detecting early stages of COVID-19 by means of chest x-ray images. 著者21は、胸部x線画像を用いて新型コロナウイルスの初期段階を検出するための人工ニューラルネットワーク(ann)に基づく方法を提示した。
訳抜け防止モード: 著者21は、ニューラルネットワーク(ann)に基づく手法を提示した。 胸部x線画像によるcovid-19早期検出
0.70
CNN, SVM and random forest were applied as well on the same dataset. CNN、SVM、ランダムフォレストは同じデータセットにも適用された。 0.73
The augmented dataset used for this study consisted of chest x-ray images for COVID-19, SARS, MERS and ARDS, and was obtained from GitHub. この研究で使用されるデータセットは、新型コロナウイルス、SARS、MERS、ARDSの胸部X線画像で構成され、GitHubから取得した。 0.60
The accuracy obtained by CNN, SVM and random forest models were 95.2%, 90.5% and 81% respectively. cnn,svm,ランダムフォレストモデルで得られた精度は95.2%,90.5%,81%であった。 0.76
Authors22 used a pre-trained eighteen layer residual CNN for the detection of COVID-19 using chest x-ray images. 著者22は、胸部x線画像を用いた新型コロナウイルスの検出に18層cnnを事前に訓練した。 0.49
They were also able to facilitate anomaly detection for minimizing faults while classifying using an anomaly score. また、異常点を分類しながら障害を最小化するための異常検出を容易にすることができた。 0.64
The model was able to obtain 96% accuracy for COVID-19 cases and 70.65% for non-COVID-19 cases. モデルでは、covid-19患者は96%、非covid-19患者は70.65%の精度を得た。
訳抜け防止モード: モデルは covid-19症例の96.5%、非covid-19症例の70.65%の精度を得る。
0.56
www.microbiologyjour nal.orgJournal of Pure and Applied MicrobiologyKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 www.microbiologyjour nal.orgJournal of Pure and Applied MicrobiologyKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 0.63
英語(論文から抽出)日本語訳スコア
MATeRIAlS AND MeTHODS WisdomNet The proposed WisdomNet consists of two connected layers. MATeRIAlS と MeTHODS WisdomNet 提案された WisdomNet は2つの接続層で構成されている。 0.66
The first layer predicts the presence of COVID-19 in the chest x-rays and the second layer gives the probability of progression into the ARDS stage for the COVID-19 positive cases. 第1層は胸部x線中のcovid-19の存在を予測し、第2層は、covid-19陽性例のardsステージへの進行確率を与える。
訳抜け防止モード: 第1層は胸部X線におけるCOVID-19の存在を予測する そして第2層は、新型コロナウイルス陽性例のARDSステージへの進行の確率を与える。
0.77
Each layer incorporates numerous convolutional neural networks having similar architecture (see ‘Architecture of convolutional Neural Network’). 各レイヤには、同様のアーキテクチャを持つ多数の畳み込みニューラルネットワークが組み込まれている("architecture of convolutional neural network"参照)。 0.67
The founding theory of WisdomNet is the concept of Wisdom of Crowd2. wisdomnetの設立理論は、crowd2の知恵の概念である。 0.76
The use of this statistical concept increases the authenticity of the predictions made by the network, and also aids in minimizing the occurrences of the false negative classifications, thus enhancing the correctness of the results obtained to a greater extent. この統計的概念を用いることで、ネットワークによる予測の信頼性が向上し、偽陰性分類の発生を最小限に抑え、得られた結果の正確性を高めることができる。
訳抜け防止モード: この統計的概念を用いることで、ネットワークによる予測の信頼性が向上する。 偽陰性分類の発生を最小化するのにも役立ちます これにより、得られた結果の正しさがより大きく向上する。
0.75
The architecture of WisdomNet is given in fig 1. WisdomNetのアーキテクチャは、図1で示されています。 0.70
Architecture of convolutional Neural Network The convolutional neural network N used here accepts input image I of dimension 256x256x3. 畳み込みニューラルネットワークのアーキテクチャ ここで使用される畳み込みニューラルネットワークNは、256x256x3の入力画像Iを受け入れる。 0.71
Let each layer of convolutional used by N be represented as , where k is the size of the kernel used to compute feature maps and n is the total number of nodes present in the layer or the total number of feature maps to be computed using the kernel of size . n が使用する畳み込みの各層を として表現し、k を特徴写像の計算に使用するカーネルのサイズとし、n をその層に存在するノードの総数または大きさのカーネルを用いて計算すべき特徴写像の総数とする。 0.76
Also, let each layer of max pooling used be , where k is the size of the kernel used, and each dense layer or layer consisting of multiple perceptrons be , where n is the total number of perceptrons present in the layer. また、使用する最大プーリングの各層は、使用するカーネルのサイズが k で、複数のパーセプトロンからなる各密層または層は、n はその層に存在するパーセプトロンの総数である。 0.65
Therefore, the architecture of the convolutional part of the network and the output provided by it can be represented as: したがって、ネットワークの畳み込み部分とそれが提供する出力のアーキテクチャを次のように表現することができる。 0.80
...(1) Fig. ...(1) フィギュア。 0.63
1. Shows the architecture of WisdomNet having 80 convolutional neural networks in each layer 1. 各層に80の畳み込みニューラルネットワークを持つ wisdomnet のアーキテクチャを示します 0.83
872 www.microbiologyjour nal.orgKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 Journal of Pure and Applied Microbiology 872 www.microbiologyjour nal.orgKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 Journal of Pure and Applied Microbiology 0.74
英語(論文から抽出)日本語訳スコア
The output obtained was flattened before feeding in into the dense layer network and the final output was obtained. 得られた出力は、高密度層ネットワークに供給する前に平坦化し、最終的な出力を得た。 0.67
This can be represented using equation 2 and 3: これは方程式 2 と 3 で表すことができる。 0.71
...(2) ..(3) ...(2) ..(3) 0.88
Each convolutional layer in equation 1 uses ReLu23 activation function and each dense layer in equation 2 also uses Relu except , which uses the softmax23 activation function. 等式1の各畳み込み層はrelu23活性化関数を使用し、等式2の各密層はsoftmax23活性化関数を使用するreluも使用する。 0.79
The COVID-19 layer The COVID-19 layer consists of numerous convolutional neural networks having similar architecture. 新型コロナウイルス層 新型コロナウイルス層は、同様のアーキテクチャを持つ多数の畳み込みニューラルネットワークで構成されている。 0.35
The layer consists of neural networks of architecture defined in the previous section. レイヤは前節で定義されたアーキテクチャのニューラルネットワークで構成されている。 0.62
Therefore, the layer can be represented as (each neural net N below is represented as , where is i is the just the number allotted to them for representation): したがって、この層を表現できる(下記のニューラルネット n はそれぞれ , i は表現のためにアロケートされたただの数である)。 0.64
...(4) Each neural net N outputs a probability set (equation 3), which can be represented as: ...(4) 各ニューラルネットnは、次のように表現できる確率セット(列3)を出力する。 0.78
...(5) Where, is the probability of being COVID-19 negative and is the probability of being COVID-19 positive. ...(5) 新型コロナウイルスが陰性になる確率は低く、かつ、陽性になる確率は低い。
訳抜け防止モード: ...(5)で、covid-19陰性の確率は 新型コロナウイルス(covid-19)が陽性になる確率です
0.62
Therefore, the probability set given by the as a whole is the mean of all probabilities given by each neural network used in this layer and can be represented as: したがって、全体としての確率は、この層で使用される各ニューラルネットワークが与える全ての確率の平均であり、次のように表すことができる。 0.81
...(6) Where, is the output provided by neural ...(6)神経によって提供される出力 0.82
network (refer equation 4). ネットワーク(参照方程式4)。 0.78
The threshold has been set to 50% to classify a posteroanterior x-rays as COVID-19 positive, but it has been set to 70% to classify the x-rays as COVID-19 negative. この閾値は、後部X線を陽性と分類するために50%に設定されているが、X線を陰性と分類するために70%に設定されている。 0.54
Thus, if and only if the model is more than 70% sure that a case is negative, then only it will be classified as したがって、もしモデルが70%以上で、あるケースが負であることを保証するなら、それだけが分類される。 0.79
873 a COVID-19 negative case, otherwise it will be classified as a positive case. 873 新型コロナウイルス(covid-19)のマイナスのケースでなければ、ポジティブなケースに分類される。 0.65
By doing this, the possibility of occurrence of false negative cases minimizes dramatically. これにより、偽陰性事例の発生可能性が劇的に減少する。 0.62
The value of was set to 80 in the experiment as it produced the best results at this value. この値は実験で80に設定され、この値で最高の結果が得られた。 0.79
The ARDS layer The ARDS layer also consists of a number of convolutional networks having similar architecture. ARDSレイヤ ARDSレイヤは、同様のアーキテクチャを持つ多数の畳み込みネットワークも構成している。 0.73
Same as layer, this layer also has neural networks, having architecture defined in the ‘Architecture of convolutional Neural Network’ section. layerと同様、このレイヤにもニューラルネットワークがあり、‘畳み込みニューラルネットワークのアーキテクチャ’セクションで定義されたアーキテクチャを持っている。 0.66
Therefore, the layer can also be represented as represented in equation 4. したがって、この層は式4で表されるように表現することもできる。 0.68
In , each neural net will output a probability set (from equation 3), which can be represented as: 各ニューラルネットは(方程式3から)確率集合を出力し、次のように表現できる。 0.70
...(7) Where, is the probability that the patient has not yet reached ARDS stage and is the probability that the patient has reached ARDS stage. ...(7) 患者がまだARDSステージに到達していない確率は,ARDSステージに到達した確率である。
訳抜け防止モード: ...(7) 患者がまだARDSステージに到達していない可能性は? そして、患者がARDSステージに到達した確率である。
0.76
Higher is the value of , than higher is the patient’s progression towards the ARDS stage. 高は、高は、患者がARDSステージに向かって進むことの価値である。 0.61
Only the x-rays previously classified as COVID-19 positive by the are fed to this layer to vaticinate the probability of the condition to mature to the ARDS stage. これまでに新型コロナウイルス陽性と分類されたX線のみがこの層に供給され、ARDSステージに成熟する確率を変動させる。 0.56
The probability set given by the complete can also be represented by equation 6, where each singular output set is in the form given in equation 7. 完備化によって与えられる確率は方程式6で表すことができ、各特異出力集合は方程式7で与えられる形式である。 0.77
Here also the value of has been set to 80. ここでも値が80に設定されている。 0.87
Training of lCOVID-19 The layer is trained on a dataset consisting of posteroanterior lung x-rays, which have been affected by SARS-COV-2 virus, and has been compiled and shared by Dr. Joseph Cohen of University of Montreal on GitHub24. lCOVID-19のトレーニング このレイヤは、SARS-COV-2ウイルスの影響を受け、モントリオール大学のJoseph Cohen博士によってGitHub24で編集、共有された後部肺X線からなるデータセットに基づいてトレーニングされている。 0.68
The x-ray images of non-COVID-19 lungs is obtained from Kaggle25, out of which 30% are of patients affected with bacterial pneumonia, 30% are of patients affected with viral pneumonia and 40% the x-ray images are of healthy people. 非共発性19型肺のx線画像はkaggle25から得られ、そのうち30%が細菌性肺炎の患者、30%がウイルス性肺炎の患者、40%が健康な人から得られた。 0.67
This unique distribution of data has been established in order to broaden the generalization power of the model. このユニークなデータの分布は、モデルの一般化力を広めるために確立された。 0.85
A total of 200 neural networks having the same architecture (defined in ‘Architecture of convolutional Neural Network’ section) are trained using this dataset. 同じアーキテクチャ(‘畳み込みニューラルネットワークのアーキテクチャ’セクションで定義される)を持つ合計200のニューラルネットワークがこのデータセットを使用してトレーニングされている。 0.75
A sample of 80 such networks 80のネットワークのサンプルは 0.76
www.microbiologyjour nal.orgJournal of Pure and Applied MicrobiologyKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 www.microbiologyjour nal.orgJournal of Pure and Applied MicrobiologyKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 0.63
英語(論文から抽出)日本語訳スコア
are selected out of 200 networks to form the layer. 200のネットワークの中から選択され、層を形成します。 0.70
Each convolutional neural net uses Adam optimizer26 with learning rate and the decay rate clipped to . 各畳み込みニューラルネットワークは、adam optimizer26を使って学習率と減衰率を.netにクリップする。 0.60
Each neural network is trained for 4 to 10 iterations and the images of the training dataset are also augmented before feeding, in order to improve the generalization of the network. 各ニューラルネットワークは4~10回のイテレーションでトレーニングされ、トレーニングデータセットのイメージも、ネットワークの一般化を改善するために、フィード前に拡張される。 0.74
The labels of the whole dataset are one-hot-encoded27 and each pixel in the image is mapped between 0 to 1. データセット全体のラベルは1-hot-encoded27で、画像の各ピクセルは0から1にマッピングされる。 0.79
The Binary-Cross Entropy loss function28 BCE(.) Binary-Cross Entropy loss Function28 BCE(.) 0.96
is used, and can be represented as: is used, and can be represented as: 0.85
...(8) Where, y is the label (0 for COVID19 positive and 1 for COVID19 negative) and is the probability predicted by the network for all points . ...(8) yはラベル(0はCOVID19陽性、1はCOVID19陰性)であり、全ての点でネットワークが予測する確率である。
訳抜け防止モード: ... (8 ) y は COVID19 陽性のラベル (0 は COVID19 陽性) and 1 for COVID19 negative ) and is the probability predict by the network for all points。
0.86
Training of lARDS The layer is trained on a dataset consisting of posteroanterior lung x-rays of patients whose condition had matured to the ARDS stage, which has also been compiled and shared by Dr. Joseph LARDSのトレーニング この層は、ARDSステージに成熟した患者の後部肺X線からなるデータセットに基づいて訓練され、Joseph博士が編集し共有している。 0.72
Cohen on GitHub. Cohen on GitHub を参照。 0.77
The lung x-rays images of patients whose condition hadn’t matured to ARDS have also been obtained from Kaggle. 肺のx線像は、ardsまで成熟していない患者の画像もkaggleから得られた。 0.61
Each neural net is trained for 10-15 iterations, and the rest of the training conditions are the same as the conditions given in the previous section. 各ニューラルネットワークは10~15回のイテレーションでトレーニングされ、残りのトレーニング条件は前節の条件と同じである。 0.64
The loss function used for this layer can be represented using equation 8 with a slight variation in the label y (0 for non-ARDS lungs and 1 for ARDS lungs). この層に使用される損失関数は、ラベルyがわずかに変化した方程式8を用いて表すことができる(非ARDS肺は0、ARDS肺は1)。 0.73
Few x-rays of patients with mild cases of COVID-19 (whose condition hadn’t progressed to the ARDS stage) are also included in the non-ARDS class in order to enhance the quality of predictions. 新型コロナウイルス(COVID-19)の軽症患者(ARDSの段階まで進行していない)のX線は、予測の質を高めるために、非ARDSクラスにも含まれていない。 0.61
The rationale behind training this layer on the ARDS dataset is to be able to visualize the widespread inflammation in the chest x-rays (can be seen in fig 2), that develops in patients with acute respiratory distress syndrome (ARDS). ardsデータセット上でこの層を訓練する背景にある根拠は、急性呼吸窮迫症候群(ards)患者に発生する胸部x線(図2)の広範な炎症を可視化することである。 0.71
By doing so, this layer is being trained to check the severity of inflammation in the chest x-rays of COVID-19 positive cases (given by to this layer) and therefore, predict the patients’ possibility of maturation to ARDS. そうすることで、この層はcovid-19陽性例の胸部x線の炎症の重症度をチェックするように訓練され、ardsに対する成熟の可能性を予測する。 0.53
Fig. 2. Shows the contrast between the inflammation of healthy, COVID-19 and ARDS stage lung x-rays24, 25. フィギュア。 2. 健康な、新型コロナウイルスとARDSステージの肺X線24,25の炎症の対比を示す。 0.61
It can be seen that ARDS lung x-ray has more whitespots or infiltrates than COVID-19 and health lung x-ray. ards肺x線は、covid-19や健康肺x線よりも白斑や浸潤が多いことが分かる。 0.62
Thus, a neural network can predict the patient’s stage by processing its x-ray image ReSUlTS AND DISCUSSION The utilization of the concept of Wisdom of Crowd for the prognosis of COVID-19 yields noticeably promising results. したがって、ニューラルネットワークは、そのx線画像結果を処理することによって患者のステージを予測することができ、covid-19の予後に対する群衆の知恵という概念の活用について議論することで、目立って有望な結果が得られる。 0.54
The proposed WisdomNet is successful in curbing the unnerving problem of false negative results. 提案したWisdomNetは、偽陰性結果の未解決問題を抑制することに成功している。 0.58
It also predicts the chances of advancement in the severity of the patient’s condition in the future by predicting the probability of the patient’s disease progressing into the ARDS stage. また、ardsステージに進行する患者の疾患の確率を予測することにより、将来の患者の症状の重症度が向上する可能性を予測する。 0.74
The results obtained by diagnosing x-rays of 10 patients using WisdomNet are shown in fig 3. 得られた結果は WisdomNetを用いた10例のX線診断を図3に示す。 0.85
The results predicted by WisdomNet are shown in fig 3 in detail. wisdomnet が予測した結果は fig 3 に詳しく示されている。 0.73
An enthralling thing to notice in the results shown in fig 3, is that initially Subject 4 was not a COVID-19 positive patient but as the probability predicted by the layer of WisdomNet for this case is 0.642 or 64.2% and the required probability for classifying an x-ray as COVID-19 negative has been set to 0.70 or 70%, subject 4 has been diagnosed as COVID-19 図3に示す結果に注意すべき点は、当初、被験者4は新型コロナウイルス陽性患者ではなく、WisdomNetの層で予測される確率が0.642または64.2%であり、X線を新型コロナウイルス陰性と分類するために必要な確率が0.70または70%と設定されているため、被験者4はCOVID-19と診断されたことである。 0.65
874 www.microbiologyjour nal.orgKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 Journal of Pure and Applied Microbiology 874 www.microbiologyjour nal.orgKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 Journal of Pure and Applied Microbiology 0.74
英語(論文から抽出)日本語訳スコア
Fig. 3. Results obtained by diagnosing x-rays of 10 subjects24, 25 using WisdomNet. フィギュア。 3. WisdomNetを用いて10科目24科目25科目のX線を診断した。 0.62
The calculated probabilities and their respective values, with complete abbreviations are cogently given in the figure itself positive. 計算された確率とその各値は、完全な略語で、図自体が正の形で優しく与えられる。 0.63
This scenario occured due to a logical statistical reason. このシナリオは論理的な理由から発生した。 0.78
In fig 4, graph C shows the normal distribution29 curve of all the probabilities for being COVID-19 negative which have been predicted by each convolutional neural network in for subject 4, and graph D shows the normal distribution 図4では、グラフcは、被験者4で各畳み込みニューラルネットワークによって予測された新型コロナウイルス陰性の確率の正規分布29曲線を示し、グラフdは正規分布を示す。 0.79
curve of all the probabilities for being COVID-19 positive which are again predicted by each convolutional neural network in for subject 4. 新型コロナウイルス陽性の確率の曲線は、被験者4で各畳み込みニューラルネットワークによって再び予測される。 0.60
It can be seen lucidly in graph C that the majority of probabilities predicted are less than the mean probability calculated. グラフ C では、予測される確率の大多数が計算された平均確率よりも小さいことが分かりやすい。 0.78
Also in graph D, the majority of probabilities predicted are greater than the またグラフDでは、予測される確率の大多数は、より大きい。 0.73
875 www.microbiologyjour nal.orgJournal of Pure and Applied MicrobiologyKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 875 www.microbiologyjour nal.orgJournal of Pure and Applied MicrobiologyKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 0.74
英語(論文から抽出)日本語訳スコア
mean probability calculated. Both graphs C and D show statistical scepticism when it comes to diagnosing subject 4. 確率を計算します C と D の両方のグラフは、被検体 4 の診断に関して統計的懐疑性を示す。 0.71
Such uncertainty in diagnosis increases the chances of a wrong classification, and furthermore classifying a COVID-19 positive このような診断の不確実性は誤った分類の可能性を高め、さらにcovid-19陽性を分類する 0.68
patient as negative is even worse. 否定的な患者は もっとひどいです 0.69
So as to tackle such fluctuant eventuality, the threshold for classifying COVID-19 negative cases has been set to 70% and the astute results of such can be seen in case of subject 4. このような変動に対処すべく、新型コロナウイルスの陰性症例を分類するためのしきい値が70%に設定され、被験者4の場合、その結果が順調に確認できる。 0.59
Fig. 4. Graph A and B shows the plot of all the probabilities predicted by 80 convolutional neural networks in , for COVID-19 negative and positive cases respectively. フィギュア。 4. グラフAとBは、新型コロナウイルス陰性および陽性の症例に対して、80の畳み込みニューラルネットワークによって予測されるすべての確率のプロットを示している。
訳抜け防止モード: フィギュア。 4. グラフAとBは80の畳み込みニューラルネットワークが予測するすべての確率のプロットを示している。 陰性例と陽性例はそれぞれ1。
0.67
Graphs C and D shows the normal distribution curve of probabilities predicted for subject 4 In fig 4, graphs A and B shows the plot of probabilities predicted by each neural network in the layer for COVID-19 negative and COVID-19 positive subjects respectively. グラフCとDは、被験者4に対して予測される確率の正規分布曲線を示す。図4では、各ニューラルネットワークによって予測される確率のプロットを、それぞれ新型コロナウイルス陰性および新型コロナウイルス陽性の被験者の層に示す。
訳抜け防止モード: グラフ c と d は、図 4 において被写体 4 に予測される確率の正規分布曲線を示す。 グラフaとbはそれぞれ、covid-19陰性者層とcovid-19陽性者層で各ニューラルネットワークによって予測される確率のプロットを示している。
0.67
In graph A, it can again be seen that there is high variance in probabilities predicted for subject 4 and the mean probability lies below the threshold which was conducive to it being classified as COVID-19 positive. グラフAでは、被験者4に対して予測される確率のばらつきが高く、平均確率が新型コロナウイルス陽性に分類される閾値より下にあることが再確認できる。 0.62
Probabilities of maturation to the ARDS stage are also shown in fig 3, and the authenticity of which can be empirically proved by looking at the x-ray of the same. また、ARDSステージへの成熟確率も図3に示され、その真偽は、同じX線を見ることによって実証的に証明できる。 0.63
The WisdomNet is trained on different training set proportions in order to showcase its generalization capability. wisdomnetは、その一般化能力を示すために、異なるトレーニングセットの割合でトレーニングされる。 0.60
The results of the same are portrayed in table 1. 同様の結果が表1に表される。 0.63
Table 1. Performance of WisdomNet on different proportions of dataset. 表1。 データセットの異なる割合での wisdomnet のパフォーマンス。 0.72
For example, in case number 1, the training set is 20% of the dataset and the test set is 80% of the dataset 例えば、1番のケースでは、トレーニングセットはデータセットの20%、テストセットはデータセットの80%です。 0.64
95% 96% 100% 100% 100% 100% 100% 95% 96% 100% 100% 100% 100% 100% 0.85
20% 30% 40% 50% 60% 70% 80% 20% 30% 40% 50% 60% 70% 80% 0.85
Case No. Proportion of Proportion of Accuracy Training Set ケースNo。 精度トレーニングセットの比率 0.61
Test Set 1 2 3 4 5 6 7 テストセット 1 2 3 4 5 6 7 0.82
876 80% 70% 60% 50% 40% 30% 20% 876 80% 70% 60% 50% 40% 30% 20% 0.85
www.microbiologyjour nal.orgKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 Journal of Pure and Applied Microbiology www.microbiologyjour nal.orgKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 Journal of Pure and Applied Microbiology 0.62
英語(論文から抽出)日本語訳スコア
CONClUSION In this paper, a more dependable novel approach for the purpose of detecting the presence of COVID-19 using chest x-rays has been proposed. 本論文では, 胸部X線を用いた新型コロナウイルス検出のための, より信頼性の高い新しいアプローチを提案する。 0.64
A novel two-layered neural network called the WisdomNet has been proposed by means of this paper, which not only classifies the chest x-rays as COVID-19 positive or negative, but also gives the probability of the disease’s maturation into the ARDS stage. WisdomNetと呼ばれる新しい2層ニューラルネットワークが提案されており、胸部X線を新型コロナウイルス陽性または陰性に分類するだけでなく、ARDSステージに成熟する可能性も示唆している。
訳抜け防止モード: 本稿では,WisdomNetと呼ばれる2層ニューラルネットワークを提案する。 これは、胸部X線を新型コロナウイルス陽性または陰性に分類するだけでなく、 また、疾患がARDSステージに成熟する可能性をもたらします。
0.68
All patients suffering from ARDS will eventually require ventilator support as even 100% oxygen therapy doesn’t seem to work30. ARDSに苦しむすべての患者は、最終的には人工呼吸器のサポートを必要とします。
訳抜け防止モード: ARDSに苦しむすべての患者は、最終的には人工呼吸器を必要とします。 100%の酸素療法でも 効かないようです
0.64
The proposed model predicts the COVID-19 positive patients requiring ventilator support in advance, by predicting the progression of the disease to the ARDS stage, as higher are the chances of maturation to the ARDS stage, higher are the chances that the patient will require ventilator support. 提案モデルでは、ARDSステージの進行を予測し、ARDSステージに成熟する確率が高いほど、人工呼吸器サポートを必要とする確率が高くなることにより、事前に人工呼吸器サポートを必要とする新型コロナウイルス陽性患者を予測する。 0.69
The results obtained showcase the successful exploitation of the concept of Wisdom of Crowds for the task of predicting the presence and extent of COVID-19 in the chest x-rays. その結果、胸部X線におけるCOVID-19の存在と範囲を予測するために、Wisdom of Crowdsという概念をうまく活用できたことを示した。 0.67
The two layers of the WisdomNet consisting of 80 neural networks each, worked in harmony to further produce more accurate results and prevent misclassification to a larger extent. wisdomnetの2つのレイヤはそれぞれ80のニューラルネットワークで構成され、より正確な結果を生み出すために調和して動作し、誤分類をもっと多く防止した。 0.66
Threshold value of 70% has been set for the classification of chest x-rays as COVID-19 negative in order to avoid the occurrences of false negative cases. 偽陰性症例の発生を避けるために、胸部x線を新型コロナウイルス陰性と分類するために70%の閾値が設定されている。
訳抜け防止モード: 胸部X線を新型コロナウイルス陰性の順に分類するための閾値の70%が設定されている 偽陰性事件の発生を避けるためです
0.67
The proposed methodology produced better and more reliable results without any heavy hardware requirements, and was shown to be target specific. 提案手法は,ハードウェアの重い要求を伴わずに,より良好で信頼性の高い結果を生み出した。 0.66
The layer of the WisdomNet was admirably able to distinguish bacterial and viral pneumonia as non-COVID-19 penumonia, which further deems the proposed methodology perfect for testing purposes by medical practitioners. wisdomnetの層は細菌性肺炎とウイルス性肺炎を非共発性ペヌモニアと区別し、医療従事者による検査に最適な方法であると考えた。 0.59
The generalization power of the model is clearly depicted in table 1, and with possible future additions to the available chest x-ray datasets for COVID-19, the generalization power of the model will likely flourish even more. このモデルの一般化能力は表1に明確に描かれており、新型コロナウイルス(covid-19)の胸部x線データセットに将来追加される可能性があるため、モデルの一般化力はさらに高まるだろう。
訳抜け防止モード: モデルの一般化力は表1に明確に表される。 そして、COVID-19のための利用可能な胸部X線データセットに将来追加される可能性がある。 モデルの一般化力はさらに繁栄するでしょう
0.76
The presented work outputs superior results than researches done hitherto in terms of testing accuracy. 提案した研究は, 実験精度で行った研究よりも優れた結果を出力する。 0.70
It also produces statistically more accurate results than RT-PCR kits, which is a default for testing so far. また、これまでのテストではデフォルトとなっているrt-pcrキットよりも統計的に正確な結果を生成する。
訳抜け防止モード: また、RT-PCRキットよりも統計的に正確な結果が得られる。 これまでのテストではデフォルトです。
0.70
Another denouement that can be drawn is that, the collective decision of many small sized neural networks using the proven theory of wisdom もう一つの否定は、証明された知恵の理論を用いた多くの小さなニューラルネットワークの集団的決定である。 0.71
877 of crowd is found to be more authentic and accurate than a large sized neural network which requires unnecessary large and heavy hardware for computation. 877 crowdは、計算に不要な大規模で重いハードウェアを必要とする大規模ニューラルネットワークよりも、正確で正確であることがわかっている。 0.75
Therefore, the proposed system has the potential to successfully contribute in the world’s crusade against COVID-19. そのため、提案システムは、新型コロナウイルスに対する世界の十字軍への貢献に成功する可能性がある。 0.46
ACKNOWleDGMeNTS ACKNOWleDGMeNTS 0.85
None. CONFlICT OF INTeReST The listed author(s) declare no conflict of interest in any capacity, including competing or financial. ありません CONFlICT OF INTereST リストされた著者は、競合や財務を含むあらゆる能力に対する関心の衝突を宣言しない。 0.60
AUTHORS’ CONTRIBUTION All listed author(s) have made a substantial, direct and intellectual contribution to the work, and approved it for publication. AUTHORS’ ContriBUTION All listed authors(s)は、この作品に実質的で直接的で知的な貢献を行い、出版のために承認した。 0.72
FUNDING None. eTHICS STATeMeNT This article does not contain any studies with human participants or animals performed by any of the authors. 資金 ありません eTHICS STATeMeNT 本項では、著者が実施したヒトの参加者や動物による研究は含まない。 0.64
AVAIlABIlITY OF DATA Not applicable. 適用できないデータの可用性。 0.55
ReFeReNCeS 1. ReFeReNCeS 1。 0.75
2. 3. 4. 5. 2. 3. 4. 5. 0.85
6. Rolling updates on CoronaVirus Disease - updated 20th April (Events as they happen). 6. CoronaVirus Diseaseの更新 - 4月20日のアップデート(イベント発生時)。 0.81
https://www.who. int/emergencies/dise ases/novel-coronavir us-2019/ events-as-they-happe n, Accessed 22 April 2020. 誰だ? int/emergencies/dise ases/novel-coronavir us-2019/ events-as-they-happe n、2020年4月22日閲覧。 0.31
Surowiecki, James. Surowiecki, James 0.62
2005. The Wisdom of Crowds. 2005. 群衆の知恵。 0.65
New York: Anchor Books. new york: アンカーブックス。 0.70
Acute Respiratory Distress Syndrome (ARDS) - Symptoms and Causes. 急性呼吸障害症候群(ARDS)の症状と原因 0.66
https://www.mayoclin ic. https://www.mayoclin ic.com。 0.49
org/diseases-conditi ons/ards/symptoms-ca uses/syc20355576, Accessed 22 April 2020 Coronavirus Disease Pandemic. org/diseases-conditi ons/ards/symptoms- becauses/syc20355576 , accessed 22 April 2020 コロナウイルス病パンデミック 0.46
https://www.who. int/emergencies/dise ases/novel-coronavir us-2019, Accessed 22 April 2020. 誰だ? int/emergencies/dise ases/novel-coronavir us-2019, accessed 22 April 2020 0.41
Wang Y, Wang Y, Chen Y, Qin Q. Wang Y, Wang Y, Chen Y, Qin Q 0.74
Unique epidemiological and clinical features of the emerging 2019 novel coronavirus pneumonia (COVID-19) implicate special control measures. 新型コロナウイルス感染症(COVID-19)の特異な疫学的・臨床的特徴は、特別な対策に関係している。 0.53
Journal of Medical Virology. Journal of Medical Virology(英語) 0.68
2020;92(6):568-76. 2020;92(6):568-76. 0.88
Liu Y, Gayle AA, Wilder-Smith A, Rocklov J. Liu Y, Gayle AA, Wilder-Smith A, Rocklov J 0.88
The reproductive number of COVID-19 is higher compared to SARS coronavirus. sarsウイルスに比べて、covid-19の繁殖数は高い。 0.59
Journal of Travel Medicine. Journal of Travel Medicine の略。 0.70
2020 Mar 1. 2020年3月1日。 0.58
www.microbiologyjour nal.orgJournal of Pure and Applied MicrobiologyKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 www.microbiologyjour nal.orgJournal of Pure and Applied MicrobiologyKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 0.63
英語(論文から抽出)日本語訳スコア
7. 8. 9. 10. 7. 8. 9. 10. 0.85
11. 12. 13. 11. 12. 13. 0.85
14. 15. 16. 14. 15. 16. 0.85
17. 18. Instead of just flattening the COVID-19 curve, can we ‘crush’ it? 17. 18. 新型コロナウイルス(covid-19)の曲線を平らにする代わりに、それを“クラック”できるだろうか? 0.71
https://www.livescie nce.com/can-covid-19 be-crushed.html, Accessed 22 April 2020. https://www.livescie nce.com/can-covid-19 be-crushed.html, accessed 22 April 2020 0.43
Ai T, Yang Z, Hou H, et al Correlation of chest CT and RT-PCR testing in coronavirus disease 2019 (COVID-19) in China: a report of 1014 cases. Ai T, Yang Z, Hou Hらは、中国の新型コロナウイルス感染症2019(COVID-19)における胸部CT検査とRT-PCR検査の相関性を示した。
訳抜け防止モード: Ai T, Yang Z, Hou H, et al correlation of chest CT 新型コロナウイルス感染症19年(COVID-19)におけるPCR検査は1014例に上った。
0.78
Radiology. 2020;26:200642. 放射線 2020;26:200642. 0.70
Coronavirus Diseases False Negatives in RT-PCR Tests, https://www.livescie nce.com/covid19-coro navirustests-false-n egatives.html,Access ed 23 April 2020. Coronavirus Diseases False Negatives in RT-PCR Tests, https://www.livescie nce.com/covid19-coro navirustests-false- negatives.html, Accessed 23 April 2020 0.58
Asnaoui KE, Chawki Y, Idri A. asnaoui ke, chawki y, idri a。 0.74
Automated Methods for Detection and Classification Pneumonia based on X-Ray Images Using Deep Learning. 深層学習を用いたX線画像に基づく肺炎の検出と分類の自動化 0.85
arXiv preprint arXiv. arXiv プレプリント arXiv。 0.94
2020;2003.14363. 2020;2003.14363. 0.84
Sethy PK, Behera SK. Sethy PK, Behera SK 0.67
Detection of coronavirus Disease (COVID-19) based on Deep Features. 深部特徴に基づく新型コロナウイルス(COVID-19)の検出 0.72
Preprints. 2020;2020030300:2020. プレプリント。 2020;2020030300:2020. 0.75
Khalifa NE, Taha MH, Hassanien AE, Elghamrawy S. Detection of Coronavirus (COVID-19) Associated Pneumonia based on Generative Adversarial Networks and a Fine-Tuned Deep Transfer Learning Model using Chest X-ray Dataset. Khalifa NE, Taha MH, Hassanien AE, Elghamrawy S. Detection of Coronavirus (COVID-19) Associated Pneumonia based on Generative Adversarial Networks and a Fine-Tuned Deep Transfer Learning Model using Chest X-ray Dataset。 0.96
arXiv preprint arXiv. arXiv プレプリント arXiv。 0.94
2020;2004.01184. 2020;2004.01184. 0.84
Hammoudi K, Benhabiles H, Melkemi M, Dornaika F, Arganda-Carreras I, Collard D, Scherpereel A. Hammoudi K, Benhabiles H, Melkemi M, Dornaika F, Arganda-Carreras I, Collard D, Scherpereel A。 0.91
Deep Learning on Chest X-ray Images to Detect and Evaluate Pneumonia Cases at the Era of COVID-19. 新型コロナウイルス感染症の診断・評価のための胸部X線画像の深層学習 0.54
arXiv preprint arXiv. arXiv プレプリント arXiv。 0.94
2020;2004.03399. 2020;2004.03399. 0.84
Hemdan EE, Shouman MA, Karar ME. Hemdan EE, Shouman MA, Karar ME 0.71
Covidx-net: A framework of deep learning classifiers to diagnose covid-19 in x-ray images. Covidx-net: X線画像でcovid-19を診断するディープラーニング分類器のフレームワーク。 0.70
arXiv preprint arXiv. arXiv プレプリント arXiv。 0.94
2020;2003.11055. 2020;2003.11055. 0.84
Effects Of Coronavirus Disease (COVID-19) On Your Body, https://www.weforum. org/agenda/2020/04/ this-graphic-shows-w hat-covid-19-does-to -yourbody/, Accessed 23 April 2020. コロナウイルス (COVID-19) on Your Body, https://www.weforum. org/agenda/2020/04/ this-graphic-shows-W hat-covid-19-does-to -yourbody/, accessed 2020年4月23日閲覧。 0.40
Chalmers J, Kaul A, Phillips B. chalmers j, kaul a, phillips b など。 0.61
The wisdom of crowds: Mutual fund investors’ aggregate asset allocation decisions. 群衆の知恵: 相互ファンド投資家の集合的資産配分決定。 0.72
Journal of Banking & Finance. Journal of Banking & Finance(英語) 0.71
2013;37(9):3318-33. 2013;37(9):3318-33. 0.88
Bassamboo A, Cui R, Moreno A. Bassamboo A, Cui R, Moreno A。 0.81
Wisdom of Crowds in Operations: Forecasting Using Prediction Markets. 運用における群衆の知恵:予測市場を用いた予測 0.70
Available at SSRN 2679663, 2015 Oct 25. SSRN 2679663, 2015 October 25で利用可能。 0.78
Walter T, Back A. Crowdsourcing as a Business Model: An exploration of emergent textbooks harnessing the wisdom of crowds. Walter T, Back A. Crowdsourcing as a Business Model: 群衆の知恵を活用した創発的な教科書の探索。 0.84
AIS. 2010. 19. AIS 2010. 19. 0.73
20. 21. 22. 20. 21. 22. 0.85
23. 24. 25. 23. 24. 25. 0.85
26. 27. 28. 26. 27. 28. 0.85
29. 30. Maghdid HS, Asaad AT, Ghafoor KZ, Sadiq AS, Khan MK. 29. 30. Maghdid HS、Asaad AT、Ghafoor KZ、Sadiq AS、Khan MK。 0.80
Diagnosing COVID-19 pneumonia from X-ray and CT images using deep learning and transfer learning algorithms. 深層学習と移動学習アルゴリズムを用いたX線およびCT画像からのCOVID-19肺炎の診断 0.79
arXiv preprint arXiv. arXiv プレプリント arXiv。 0.94
2020;2004.00038. 2020;2004.00038. 0.84
Afshar P, Heidarian S, Naderkhani F, Oikonomou A, Plataniotis KN, Mohammadi A. COVID-CAPS: A Capsule Network-based Framework for Identification of COVID-19 cases from X-ray Images. afshar p, heidarian s, naderkhani f, oikonomou a, plataniotis kn, mohammadi a. covid-caps: カプセルネットワークベースのフレームワークで、x線画像から新型コロナウイルスの感染者を識別する。
訳抜け防止モード: Afshar P, Heidarian S, Naderkhani F, Oikonomou A Plataniotis KN, Mohammadi A. COVID - CAPS : A Capsule Network-based Framework for Identification ofCOVID-19 Case from X-ray Images
0.94
arXiv preprint arXiv. arXiv プレプリント arXiv。 0.94
2020;2004.02696. 2020;2004.02696. 0.84
Alqudah AM, Qazan S, Alquran H, Qasmieh IA, Alqudah A. COVID-2019 DETECTION USING X-RAY IMAGES AND ARTIFICIAL INTELLIGENCE HYBRID SYSTEMS. Alqudah AM, Qazan S, Alquran H, Qasmieh IA, Alqudah A. COVID-2019 Detection using X-ray images and Articicial Incellignence HYBRID systems 0.79
ResearchGate, 2020 March. ResearchGate、2020年3月。 0.74
Zhang J, Xie Y, Li Y, Shen C, Xia Y. Covid-19 screening on chest x-ray images using deep learning based anomaly detection. Zhang J, Xie Y, Li Y, Shen C, Xia Y. Covid-19 による深層学習に基づく異常検出による胸部X線画像のスクリーニング 0.82
arXiv preprint arXiv. arXiv プレプリント arXiv。 0.94
2020;2003.12338. 2020;2003.12338. 0.84
Nwankpa C, Ijomah W, Gachagan A, Marshall S. Activation functions: Comparison of trends in practice and research for deep learning. Nwankpa C, Ijomah W, Gachagan A, Marshall S. Activation Function: ディープラーニングの実践と研究の動向の比較 0.76
arXiv preprint arXiv. arXiv プレプリント arXiv。 0.94
2018;1811.03378. 2018;1811.03378. 0.84
Covid-19 Chest x-ray dataset, https://GitHub.com/ ieee8023/covid-chest xray-dataset, Accessed 21April 2020. Covid-19 Chest x-ray data, https://GitHub.com/ ieee8023/covid-chest xray-dataset, Accessed 2020年4月21日閲覧。 0.47
Chest x-ray images, https://www.kaggle.c om/ paultimothymooney/ch est-xray-pneumonia, Accessed 21 April 2020 Kingma DP, Ba J. Adam: A method for stochastic optimization. 胸部x線画像、https://www.kaggle.c om/ paultimothymooney/ch est-xray-pneumonia、2020年4月21日kingma dp、ba j. adam: 確率最適化の方法。 0.57
arXiv preprint arXiv. arXiv プレプリント arXiv。 0.94
2014;1412.6980. 2014;1412.6980. 0.84
Rodríguez P, Bautista MA, Gonzalez J, Escalera S. Beyond one-hot encoding: Lower dimensional target embedding. rodríguez p, bautista ma, gonzalez j, escalera s. beyond one-hot encoding: lower dimensional target embedded。 0.66
Image and Vision Computing. イメージコンピューティングとビジョンコンピューティング。 0.75
2018;75:2131. 2018;75:2131. 0.84
Cui Y, Jia M, Lin TY, Song Y, Belongie S. Class-balanced loss based on effective number of samples. cui y, jia m, lin ty, song y, belongie s. 有効サンプル数に基づくクラスバランス損失。
訳抜け防止モード: Cui Y, Jia M, Lin TY, Song Y, Belongie S. Class - 効果的なサンプル数に基づくバランスの取れた損失。
0.79
In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2019 (pp. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2019 (pp。 0.79
9268-9277). 9268-9277). 0.78
Nadarajah S. A generalized normal distribution. nadarajah s. 一般化正規分布。 0.74
Journal of Applied Statistics. journal of applied statisticsの略。 0.69
2005;32(7):685-94. 2005;32(7):685-94. 0.88
Acute Respiratory Distress Syndrome -Ventilator Support, https://foundation.c hestnet.org/patiente ducation-resources/a cute-respiratory-dis tresssyndrome-ards/, Accessed 23 April 2020. 急性呼吸障害症候群 -Ventilator Support, https://foundation.c hestnet.org/ patienteducation-res ources/acute-respira tory-distresssyndrom e-ards/ 2020年4月23日閲覧。 0.44
878 www.microbiologyjour nal.orgKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 Journal of Pure and Applied Microbiology 878 www.microbiologyjour nal.orgKumar et al | J Pure Appl Microbiol | 14(suppl 1):869-878 | May 2020 | https://doi.org/10.2 2207/JPAM.14.SPL1.24 Journal of Pure and Applied Microbiology 0.74
                     ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。