論文の概要: Finding Covid-19 from Chest X-rays using Deep Learning on a Small
Dataset
- arxiv url: http://arxiv.org/abs/2004.02060v4
- Date: Wed, 20 May 2020 19:12:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 12:25:47.504358
- Title: Finding Covid-19 from Chest X-rays using Deep Learning on a Small
Dataset
- Title（参考訳）: 小データセットを用いた胸部X線からのCovid-19の検出
- Authors: Lawrence O. Hall, Rahul Paul, Dmitry B. Goldgof, and Gregory M.
Goldgof
- Abstract要約: 本稿では、新型コロナウイルスの診断における胸部X線画像の有用性について検討する。
新型コロナウイルスの胸部X線122例, ウイルス性肺炎および細菌性肺炎の胸部X線4,000例以上が得られた。
- 参考スコア（独自算出の注目度）: 0.8307419633891249
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Testing for COVID-19 has been unable to keep up with the demand. Further, the
false negative rate is projected to be as high as 30% and test results can take
some time to obtain. X-ray machines are widely available and provide images for
diagnosis quickly. This paper explores how useful chest X-ray images can be in
diagnosing COVID-19 disease. We have obtained 122 chest X-rays of COVID-19 and
over 4,000 chest X-rays of viral and bacterial pneumonia. A pretrained deep
convolutional neural network has been tuned on 102 COVID-19 cases and 102 other
pneumonia cases in a 10-fold cross validation. The results were all 102
COVID-19 cases were correctly classified and there were 8 false positives
resulting in an AUC of 0.997. On a test set of 20 unseen COVID-19 cases all
were correctly classified and more than 95% of 4171 other pneumonia examples
were correctly classified. This study has flaws, most critically a lack of
information about where in the disease process the COVID-19 cases were and the
small data set size. More COVID-19 case images will enable a better answer to
the question of how useful chest X-rays can be for diagnosing COVID-19 (so
please send them).
- Abstract（参考訳）: 新型コロナウイルス(covid-19)の検査は需要に追いついていない。
さらに、偽陰性率を30%以上と予測し、試験結果を得るのに時間がかかる可能性がある。
X線装置は広く利用でき、迅速に診断のための画像を提供する。
本稿では、新型コロナウイルスの診断における胸部X線画像の有用性について検討する。
ウイルスおよび細菌性肺炎の胸部X線122点, 胸部X線4,000点以上を得た。
プレトレーニングされた深層畳み込みニューラルネットワークは、10倍のクロスバリデーションで102のCOVID-19患者と102の他の肺炎患者に調整されている。
結果,全102例が正しく分類され,偽陽性が8例あり,aucは0.997例であった。
未発見の20例の検査セットでは、いずれも正しく分類され、4171例中95%以上が正しく分類された。
この研究には欠陥があり、最も批判的なのは、covid-19の患者がどこで、そしてデータセットのサイズが小さいかについての情報が不足していることだ。
より多くのcovid-19のケースイメージは、胸部x線がcovid-19の診断にどれほど役に立つかという質問に対して、より良い答えをもたらす。
関連論文リスト
- 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) - Deep Learning Models May Spuriously Classify Covid-19 from X-ray Images
Based on Confounders [1.8321821509675509]
最近の研究では、深層学習を用いて高精度なモデルを構築し、胸部X線画像からCovid-19を検出することができると主張している。
本稿では,Covid-19病の診断における畳み込みニューラルネットワークモデルの有効性と一般化能力について検討する。
論文 参考訳（メタデータ） (2021-01-08T21:33:06Z) - FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。
FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。
FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文 参考訳（メタデータ） (2020-10-30T03:17:31Z) - Multi-Task Driven Explainable Diagnosis of COVID-19 using Chest X-ray
Images [61.24431480245932]
COVID-19 Multi-Task Networkは、新型コロナウイルススクリーニングのためのエンドツーエンドネットワークである。
我々は,ChestXray-14,CheXpertおよび統合型COVID-19データセットから採取した9000個の前頭胸部X線写真から肺領域を手動で注釈した。
このデータベースは研究コミュニティに公開されます。
論文 参考訳（メタデータ） (2020-08-03T12:52:23Z) - Improving performance of CNN to predict likelihood of COVID-19 using
chest X-ray images with preprocessing algorithms [0.3180570080674292]
本研究は,胸部X線画像のコンピュータ支援診断手法の開発の可能性を示した。
8,474個の胸部X線画像のデータセットを使用して、CNNベースのCADスキームをトレーニングし、テストする。
検査結果は、3つのクラスを分類する際の総合的精度の94.0%、コビッドウイルスの感染者を検出する際の精度の98.6%を達成している。
論文 参考訳（メタデータ） (2020-06-11T16:45:46Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - Multi-Channel Transfer Learning of Chest X-ray Images for Screening of
COVID-19 [6.221369419104751]
現在、新型コロナウイルス患者をスクリーニングするための金本位試験はポリメラーゼ連鎖反応試験である。
代替として、胸部X線は迅速なスクリーニングのために検討されている。
本稿では、新型コロナウイルスの胸部X線診断を容易にするために、ResNetアーキテクチャに基づくマルチチャネルトランスファー学習モデルを提案する。
論文 参考訳（メタデータ） (2020-05-12T07:03:46Z) - COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。
近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。
本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
論文 参考訳（メタデータ） (2020-04-30T03:13:40Z) - Robust Screening of COVID-19 from Chest X-ray via Discriminative
Cost-Sensitive Learning [14.342161738164034]
胸部X線検査からCOVID-19のスクリーニングを臨床に必要とした場合,DCSL (distriminative cost-sensitive learning) を選択すべきである。
細粒度分類とコスト感受性学習の両方の利点が組み合わさっている。まず、DCSLは、深い差別表現を学習する条件中心損失を開発する。次に、DCSLはスコアレベルのコスト感受性学習を確立し、新型コロナウイルスの例を他のクラスに誤分類するコストを適応的に増大させることができる。
論文 参考訳（メタデータ） (2020-04-27T06:17:56Z) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳（メタデータ） (2020-04-15T12:30:40Z) - CoroNet: A deep neural network for detection and diagnosis of COVID-19
from chest x-ray images [0.0]
CoroNetは、胸部X線画像からCOVID-19感染を自動的に検出するDeep Conceptional Neural Networkモデルである。
提案したモデルは全体の89.6%の精度を達成し、新型コロナウイルス患者の精度とリコール率は93%と98.2%である。
論文 参考訳（メタデータ） (2020-04-10T07:46:07Z)
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。