論文の概要: Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware Anomaly Detection

• arxiv url: http://arxiv.org/abs/2003.12338v4
• Date: Wed, 2 Dec 2020 00:05:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 05:31:36.277071
• Title: Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware Anomaly Detection
• Title（参考訳）: 信頼度検出による胸部X線画像のウイルス性肺炎検診
• Authors: Jianpeng Zhang, Yutong Xie, Guansong Pang, Zhibin Liao, Johan Verjans, Wenxin Li, Zongji Sun, Jian He, Yi Li, Chunhua Shen, Yong Xia
• Abstract要約: 短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。 胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。 ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
• 参考スコア（独自算出の注目度）: 86.81773672627406
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cluster of viral pneumonia occurrences during a short period of time may be a harbinger of an outbreak or pandemic, like SARS, MERS, and recent COVID-19. Rapid and accurate detection of viral pneumonia using chest X-ray can be significantly useful in large-scale screening and epidemic prevention, particularly when other chest imaging modalities are less available. Viral pneumonia often have diverse causes and exhibit notably different visual appearances on X-ray images. The evolution of viruses and the emergence of novel mutated viruses further result in substantial dataset shift, which greatly limits the performance of classification approaches. In this paper, we formulate the task of differentiating viral pneumonia from non-viral pneumonia and healthy controls into an one-class classification-based anomaly detection problem, and thus propose the confidence-aware anomaly detection (CAAD) model, which consists of a shared feature extractor, an anomaly detection module, and a confidence prediction module. If the anomaly score produced by the anomaly detection module is large enough or the confidence score estimated by the confidence prediction module is small enough, we accept the input as an anomaly case (i.e., viral pneumonia). The major advantage of our approach over binary classification is that we avoid modeling individual viral pneumonia classes explicitly and treat all known viral pneumonia cases as anomalies to reinforce the one-class model. The proposed model outperforms binary classification models on the clinical X-VIRAL dataset that contains 5,977 viral pneumonia (no COVID-19) cases, 18,619 non-viral pneumonia cases, and 18,774 healthy controls.
• Abstract（参考訳）: 短期間に流行するウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックの発端となる可能性がある。 胸部x線によるウイルス性肺炎の迅速かつ正確な検出は, 検診, 感染予防, 特に胸部画像診断が不十分な場合には有意義な有用である。 ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。 ウイルスの進化と新しい変異したウイルスの出現により、データセットが大幅にシフトし、分類アプローチの性能が大幅に制限される。 本稿では,ウイルス性肺炎と非ウイルス性肺炎との鑑別と健康管理の課題を1つの分類に基づく異常検出問題に定式化し,共有特徴抽出器,異常検出モジュール,信頼度予測モジュールからなる信頼度アウェア異常検出(caad)モデルを提案する。 異常検出モジュールが生成する異常スコアが十分に大きいか、信頼度予測モジュールによって推定される信頼度スコアが十分に小さい場合は、入力を異常症例(すなわちウイルス性肺炎)として受け入れる。 二分分類に対する我々のアプローチの主な利点は、個々のウイルス性肺炎クラスを明示的にモデル化することを避け、すべての既知のウイルス性肺炎症例を1クラスモデルを強化する異常として扱うことである。 提案モデルでは, ウイルス性肺炎5,977例, 非ウイルス性肺炎18,619例, 健康管理18,774例を含む臨床X-VIRALデータセットのバイナリ分類モデルより優れていた。

関連論文リスト

• Prediction of Pneumonia and COVID-19 Using Deep Neural Networks [0.0]
  胸部X線画像から肺炎を予測する機械学習手法を提案する。 DenseNet121は他のモデルより優れており、精度は99.58%である。
  論文  参考訳（メタデータ） (2023-08-20T21:26:37Z)
• Study on Transfer Learning Capabilities for Pneumonia Classification in Chest-X-Rays Image [11.076902397190961]
  本研究では,トランスファーラーニングパラダイムを用いて,確立されたニューラルネットワークアーキテクチャが肺炎分類課題に及ぼす影響について検討する。 総合的な比較をするために、よく知られた12のImageNet事前訓練モデルを微調整し、健康な人の胸部X線を識別するために使用した。 実験は、合計6330枚の画像を使用して、列車、検証、テストセットに分割された。
  論文  参考訳（メタデータ） (2021-10-06T14:00:18Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• COVID-19 Detection from Chest X-ray Images using Imprinted Weights Approach [67.05664774727208]
  胸部X線撮影は、COVID-19の代替スクリーニング方法です。 コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。 この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
  論文  参考訳（メタデータ） (2021-05-04T19:01:40Z)
• An ensemble-based approach by fine-tuning the deep transfer learning models to classify pneumonia from chest X-ray images [0.0]
  米国では、主に成人の25万人以上が肺炎と診断され、5万人が死亡している。 よく訓練された放射線科医の肺炎検出を見逃すことは珍しくなく、診断の正確性を改善する必要がある。 InceptionResNet、MobileNetV2、Xception、DenseNet201、ResNet152V2といった最先端のディープラーニングモデルを訓練、微調整して、肺炎を正確に分類しました。
  論文  参考訳（メタデータ） (2020-11-11T04:50:06Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
  肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。 コンピュータ支援診断システムは診断精度を向上させる可能性を示した。 本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
  論文  参考訳（メタデータ） (2020-05-28T10:54:34Z)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)
• Deep Learning on Chest X-ray Images to Detect and Evaluate Pneumonia Cases at the Era of COVID-19 [14.693391992808685]
  コロナウイルス病2019(COVID-19)は、インフルエンザに似た最初の症状を持つ感染症である。 本稿では,胸部X線画像の自動解析のためのディープラーニング手法について検討する。 深層学習モデルは肺炎、特にウイルス感染症を検出するために提案されている。
  論文  参考訳（メタデータ） (2020-04-05T21:30:54Z)
• Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia [10.225348237731787]
  新型コロナウイルスのCT像は、インフルエンザウイルス性肺炎など他の種類のウイルス性肺炎と異なる独自の特徴を持つ。 本研究は, 深層学習技術を用いて, インフルエンザとインフルエンザウイルスの鑑別を行う早期スクリーニングモデルを確立することを目的とした。
  論文  参考訳（メタデータ） (2020-02-21T14:44:21Z)

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。