論文の概要: COVID-19 identification in chest X-ray images on flat and hierarchical classification scenarios

• arxiv url: http://arxiv.org/abs/2004.05835v3
• Date: Wed, 6 May 2020 14:15:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 23:15:58.727541
• Title: COVID-19 identification in chest X-ray images on flat and hierarchical classification scenarios
• Title（参考訳）: 平・階層分類における胸部X線画像中のCOVID-19の同定
• Authors: Rodolfo M. Pereira, Diego Bertolini, Lucas O. Teixeira, Carlos N. Silla Jr., and Yandre M. G. Costa
• Abstract要約: 新型コロナウイルスは重篤な肺炎を引き起こす可能性があり、医療システムに高い影響を与えると推定されている。 本研究の目的は、CXR画像のみを用いて、他のタイプや健康な肺から新型コロナウイルスによる肺炎を同定することである。
• 参考スコア（独自算出の注目度）: 0.06157382820537718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The COVID-19 can cause severe pneumonia and is estimated to have a high impact on the healthcare system. The standard image diagnosis tests for pneumonia are chest X-ray (CXR) and computed tomography (CT) scan. CXR are useful in because it is cheaper, faster and more widespread than CT. This study aims to identify pneumonia caused by COVID-19 from other types and also healthy lungs using only CXR images. In order to achieve the objectives, we have proposed a classification schema considering the multi-class and hierarchical perspectives, since pneumonia can be structured as a hierarchy. Given the natural data imbalance in this domain, we also proposed the use of resampling algorithms in order to re-balance the classes distribution. Our classification schema extract features using some well-known texture descriptors and also using a pre-trained CNN model. We also explored early and late fusion techniques in order to leverage the strength of multiple texture descriptors and base classifiers at once. To evaluate the approach, we composed a database, named RYDLS-20, containing CXR images of pneumonia caused by different pathogens as well as CXR images of healthy lungs. The classes distribution follows a real-world scenario in which some pathogens are more common than others. The proposed approach achieved a macro-avg F1-Score of 0.65 using a multi-class approach and a F1-Score of 0.89 for the COVID-19 identification in the hierarchical classification scenario. As far as we know, we achieved the best nominal rate obtained for COVID-19 identification in an unbalanced environment with more than three classes. We must also highlight the novel proposed hierarchical classification approach for this task, which considers the types of pneumonia caused by the different pathogens and lead us to the best COVID-19 recognition rate obtained here.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)は重症肺炎を引き起こす可能性があり、医療システムに大きな影響を与えると推定されている。 肺炎の標準的な画像診断検査は、胸部x線(cxr)とct(ct)スキャンである。 CXRはCTよりも安価で、高速で、広く普及しているため有用である。 本研究は、cxr画像のみを用いて、他のタイプや健康な肺からcovid-19による肺炎を同定することを目的としている。 目的を達成するために,肺炎は階層構造として構成できるため,多類・階層的視点を考慮した分類スキーマを提案する。 この領域における自然データ不均衡を考えると、クラス分布の再均衡のために再サンプリングアルゴリズムも提案した。 分類スキーマは、よく知られたテクスチャ記述子と事前訓練されたCNNモデルを用いて特徴を抽出する。 また,複数のテクスチャ記述子とベース分類器の強度を同時に活用するために,早期および後期の融合手法についても検討した。 このアプローチを評価するために,異なる病原体による肺炎のcxr画像と健康な肺のcxr画像を含むrydls-20というデータベースを作成した。 クラス分布は、いくつかの病原体が他の病原体よりも一般的である現実世界のシナリオに従う。 提案手法は,マルチクラスアプローチによるマクロavg f1-score 0.65,階層分類シナリオにおけるcovid-19識別のためのf1-score 0.89を用いて達成した。 知る限り、私たちは3つ以上のクラスを持つ不均衡な環境で、新型コロナウイルスの診断で得られる最高の名目率を達成した。 また, 病原菌による肺炎の種類を考慮し, ここで得られた新型コロナウイルスの認識率を最も高く評価する, 新たな階層分類手法についても強調する必要がある。

関連論文リスト

• Chest X-ray Image Classification: A Causal Perspective [49.87607548975686]
  本稿では,CXR分類問題に対処する因果的アプローチを提案し,構造因果モデル(SCM)を構築し,CXR分類に有効な視覚情報を選択するためにバックドア調整を用いる。 実験の結果,提案手法はオープンソースNIH ChestX-ray14の分類性能に優れていた。
  論文  参考訳（メタデータ） (2023-05-20T03:17:44Z)
• Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
  胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。 我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。 このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
  論文  参考訳（メタデータ） (2022-08-29T04:34:15Z)
• CXR-Net: An Encoder-Decoder-Encoder Multitask Deep Neural Network for Explainable and Accurate Diagnosis of COVID-19 pneumonia with Chest X-ray Images [2.2098092675263423]
  そこで本研究では,CXRNetを用いた新型コロナウイルス検出のための新しいディープラーニングフレームワークを提案する。 提案するフレームワークは,新しいマルチタスクアーキテクチャに基づいており,疾患の分類と視覚的説明が可能である。 実験結果から,提案手法は良好な精度が得られることが示された。
  論文  参考訳（メタデータ） (2021-10-20T22:50:35Z)
• 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)
• Tiled sparse coding in eigenspaces for the COVID-19 diagnosis in chest X-ray images [0.0]
  そこで本研究では,異なる病態に関連付けられた肺炎のパターンを特定するために,スパースコーディングに基づく分類フレームワークを提案する。 肺炎の存在を同定する精度は93.85%であり、4級分類では88.11%である。
  論文  参考訳（メタデータ） (2021-06-28T13:50:31Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• 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)
• COV-ELM classifier: An Extreme Learning Machine based identification of COVID-19 using Chest X-Ray Images [1.6933326930404444]
  本稿では,新型コロナウイルスの分類問題として,新型コロナウイルス,正常クラス,肺炎クラスを区別する3クラス分類問題を提案する。 提案モデルのマクロ平均F1スコアは0.95で、全体の感度は95%の信頼区間で0.94 pm 0.02であった。 このスーパーピクセルは、COVID-19および肺炎の臨床的に観察されるヒト肺の領域に対応することが観察された。
  論文  参考訳（メタデータ） (2020-07-16T21:03:22Z)
• 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)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray images using fine-tuned deep neural networks [4.294650528226683]
  新型コロナウイルスは肺炎に似た呼吸器症候群である。 科学者、研究者、医療専門家は、肺感染症の特定によって、新型コロナウイルスの迅速かつ自動化された診断に貢献している。 本稿では,様々な最先端ディープラーニング手法における非バイアスの微調整学習(トランスファーラーニング)に対するランダムなオーバーサンプリングと重み付きクラス損失関数アプローチを提案する。
  論文  参考訳（メタデータ） (2020-04-23T10:24:34Z)

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。