論文の概要: Hybrid Deep Learning for Detecting Lung Diseases from X-ray Images
- arxiv url: http://arxiv.org/abs/2003.00682v3
- Date: Wed, 1 Jul 2020 17:31:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 04:57:49.180577
- Title: Hybrid Deep Learning for Detecting Lung Diseases from X-ray Images
- Title(参考訳): x線画像からの肺疾患検出のためのハイブリッド深層学習
- Authors: Subrato Bharati, Prajoy Podder, M. Rubaiyat Hossain Mondal
- Abstract要約: 本稿では,VGG,データ拡張,空間ネットワーク(STN)とCNNを組み合わせたハイブリッドディープラーニングフレームワークを提案する。
VDSNetは、精度、リコール、F0.5スコア、バリデーションの正確さなど、既存の手法よりも優れている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lung disease is common throughout the world. These include chronic
obstructive pulmonary disease, pneumonia, asthma, tuberculosis, fibrosis, etc.
Timely diagnosis of lung disease is essential. Many image processing and
machine learning models have been developed for this purpose. Different forms
of existing deep learning techniques including convolutional neural network
(CNN), vanilla neural network, visual geometry group based neural network
(VGG), and capsule network are applied for lung disease prediction.The basic
CNN has poor performance for rotated, tilted, or other abnormal image
orientation. Therefore, we propose a new hybrid deep learning framework by
combining VGG, data augmentation and spatial transformer network (STN) with
CNN. This new hybrid method is termed here as VGG Data STN with CNN (VDSNet).
As implementation tools, Jupyter Notebook, Tensorflow, and Keras are used. The
new model is applied to NIH chest X-ray image dataset collected from Kaggle
repository. Full and sample versions of the dataset are considered. For both
full and sample datasets, VDSNet outperforms existing methods in terms of a
number of metrics including precision, recall, F0.5 score and validation
accuracy. For the case of full dataset, VDSNet exhibits a validation accuracy
of 73%, while vanilla gray, vanilla RGB, hybrid CNN and VGG, and modified
capsule network have accuracy values of 67.8%, 69%, 69.5%, 60.5% and 63.8%,
respectively. When sample dataset rather than full dataset is used, VDSNet
requires much lower training time at the expense of a slightly lower validation
accuracy. Hence, the proposed VDSNet framework will simplify the detection of
lung disease for experts as well as for doctors.
- Abstract(参考訳): 肺疾患は世界中でよく見られる。
これには慢性閉塞性肺疾患、肺炎、喘息、結核、線維症などが含まれる。
肺疾患のタイムリーな診断が不可欠である。
この目的のために多くの画像処理と機械学習モデルが開発されている。
convolutional neural network(cnn)、vanilla neural network(バニラニューラルネットワーク)、visual geometry group based neural network(vgg)、 capsule network(カプセルネットワーク)といった既存のディープラーニング技術は、肺疾患の予測に応用されている。
そこで本研究では,VGG,データ拡張,空間トランスフォーマーネットワーク(STN)とCNNを組み合わせたハイブリッドディープラーニングフレームワークを提案する。
この新しいハイブリッド方式は、VGG Data STN with CNN (VDSNet)と呼ばれる。
実装ツールとしては、jupyter notebook、tensorflow、kerasが使用される。
新しいモデルは、Kaggleリポジトリから収集されたNIH胸部X線画像データセットに適用される。
データセットの全バージョンとサンプルバージョンが検討されている。
完全なデータセットとサンプルデータセットの両方において、VDSNetは、精度、リコール、F0.5スコア、バリデーションの正確性など、既存のメソッドよりも優れている。
完全なデータセットの場合、vdsnetは73%の検証精度を示し、vanilla gray、vanilla rgb、hybrid cnn、vgg、modified capsule networkはそれぞれ67.8%、69%、69.5%、60.5%、63.8%の精度を持つ。
完全なデータセットではなくサンプルデータセットを使用する場合、vdsnetは検証精度をわずかに下げるために、トレーニング時間を大幅に削減する。
したがって、提案するVDSNetフレームワークは、専門家や医師のための肺疾患の発見を簡単にする。
関連論文リスト
- A Hybrid Approach for COVID-19 Detection: Combining Wasserstein GAN with Transfer Learning [0.0]
我々は、後にディープラーニングモデルに入力された画像を合成して、COVID-19、ノーマル、ウイルス肺炎の画像の分類を行うGANベースのアプローチを提案する。
この拡張データセットを使用して、VGG-16、ResNet-50、GoogLeNet、MNASTの4つの提案されたディープラーニングモデルをトレーニングする。
VGG-16は4つの計画の中で99.17%の精度を達成した。
論文 参考訳(メタデータ) (2024-11-10T09:09:41Z) - CUDA: Convolution-based Unlearnable Datasets [77.70422525613084]
現代のディープラーニングモデルの大規模なトレーニングは、Web上の公開データに大きく依存している。
最近の研究は、小さくて特殊なノイズを加えることによって、ディープラーニングモデルのためのデータを作ることを目的としている。
これらの手法は、敵の訓練(AT)に対して脆弱であり、または/または計算的に重い。
論文 参考訳(メタデータ) (2023-03-07T22:57:23Z) - CovidExpert: A Triplet Siamese Neural Network framework for the
detection of COVID-19 [0.0]
我々は、この危険な病気のポストエフェクトを減らすために、新型コロナウイルスの早期検出のための数発の学習モデルを開発した。
提案したアーキテクチャは、数ショットの学習と事前訓練された畳み込みニューラルネットワークのアンサンブルを組み合わせる。
提案されたモデルでは、全体的な精度は98.719%、特異性は99.36%、感度は98.72%、ROCスコアは99.9%であった。
論文 参考訳(メタデータ) (2023-02-17T17:18:02Z) - InternImage: Exploring Large-Scale Vision Foundation Models with
Deformable Convolutions [95.94629864981091]
この研究は、パラメータの増加やViTsのようなトレーニングデータから得られるインターンイメージと呼ばれる、CNNベースの新しい大規模ファンデーションモデルを提案する。
提案されたInternImageは、従来のCNNの厳格な帰納バイアスを低減し、ViTのような大規模データから、より強く堅牢なパターンを学習できるようにする。
論文 参考訳(メタデータ) (2022-11-10T18:59:04Z) - Data-Efficient Vision Transformers for Multi-Label Disease
Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。
ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。
以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文 参考訳(メタデータ) (2022-08-17T09:07:45Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - RespireNet: A Deep Neural Network for Accurately Detecting Abnormal Lung
Sounds in Limited Data Setting [9.175146418979324]
我々は,小型データセットを効率的に利用する新しい手法とともに,単純なCNNベースのモデルを提案する。
我々は4クラス分類における最先端の成績を2.2%改善した。
論文 参考訳(メタデータ) (2020-10-31T05:53:37Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - 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 [4.664495510551646]
本稿では, 限られたデータセットに対して, 微調整深層移動学習を施したGANを用いた肺炎胸部X線検出法を提案する。
この研究で使用されるデータセットは、正常と肺炎の2つのカテゴリを持つ5863のX線画像で構成されている。
論文 参考訳(メタデータ) (2020-04-02T08:14:37Z) - Automated Methods for Detection and Classification Pneumonia based on
X-Ray Images Using Deep Learning [0.0]
Resnet50, MobileNet_V2, Inception_Resnet_V2の微調整版では, トレーニングや検証精度の向上率(精度の96%以上)で高い良好な性能を示した。
CNN、Xception、VGG16、VGG19、Inception_V3、DenseNet201とは異なり、性能は低い(84%以上の精度)。
論文 参考訳(メタデータ) (2020-03-31T16:48:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。