論文の概要: A modified deep convolutional neural network for detecting COVID-19 and pneumonia from chest X-ray images based on the concatenation of Xception and ResNet50V2

• arxiv url: http://arxiv.org/abs/2004.08052v2
• Date: Tue, 4 May 2021 01:14:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 13:08:36.963116
• Title: A modified deep convolutional neural network for detecting COVID-19 and pneumonia from chest X-ray images based on the concatenation of Xception and ResNet50V2
• Title（参考訳）: XceptionとResNet50V2の結合に基づく胸部X線画像からのCOVID-19および肺炎検出のための改良された深部畳み込みニューラルネットワーク
• Authors: Mohammad Rahimzadeh, Abolfazl Attar
• Abstract要約: 我々は、X線画像を正常、肺炎、COVID-19の3つのクラスに分類する訓練手法を導入し、いくつかの深層畳み込みネットワークを訓練した。 このデータには、新型コロナウイルスに感染した人のX線画像180枚が含まれています。 新型コロナウイルス感染症を検出するためのネットワークの平均精度は99.50%であり、全クラスの平均精度は91.4%である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we have trained several deep convolutional networks with introduced training techniques for classifying X-ray images into three classes: normal, pneumonia, and COVID-19, based on two open-source datasets. Our data contains 180 X-ray images that belong to persons infected with COVID-19, and we attempted to apply methods to achieve the best possible results. In this research, we introduce some training techniques that help the network learn better when we have an unbalanced dataset (fewer cases of COVID-19 along with more cases from other classes). We also propose a neural network that is a concatenation of the Xception and ResNet50V2 networks. This network achieved the best accuracy by utilizing multiple features extracted by two robust networks. For evaluating our network, we have tested it on 11302 images to report the actual accuracy achievable in real circumstances. The average accuracy of the proposed network for detecting COVID-19 cases is 99.50%, and the overall average accuracy for all classes is 91.4%.
• Abstract（参考訳）: 本稿では,x線画像を2つのオープンソースデータセットに基づいて,正常,肺炎,covid-19の3クラスに分類する訓練技術を導入することで,いくつかの深層畳み込みネットワークを訓練した。 私たちのデータには、covid-19に感染した人の180のx線画像が含まれています。 本研究では,不均衡なデータセット(covid-19の事例と他のクラスからの事例)を持つ場合,ネットワークがよりよい学習を行うためのトレーニング手法をいくつか紹介する。 また,xception と resnet50v2 ネットワークを結合したニューラルネットワークを提案する。 このネットワークは、2つのロバストネットワークから抽出された複数の特徴を利用することで、最高の精度を実現した。 ネットワークを評価するため,実環境において達成可能な実際の精度を1,302枚の画像で検証した。 提案するcovid-19検出ネットワークの平均精度は99.50%であり、全クラスの平均精度は91.4%である。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• A Deep Learning Approach for the Detection of COVID-19 from Chest X-Ray Images using Convolutional Neural Networks [0.0]
  COVID-19(コロナウイルス)は、重症急性呼吸器症候群ウイルス(SARS-CoV-2)によるパンデミックである。 2019年12月中旬、中国武漢の湖北省で初感染が確認された。 全世界で7550万件以上が確認され、167万件以上が死亡している。
  論文  参考訳（メタデータ） (2022-01-24T21:12:25Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Randomly Initialized Convolutional Neural Network for the Recognition of COVID-19 using X-ray Images [0.0]
  新型コロナウイルス(COVID-19)は世界的なパンデミックと宣言されている。 COVID-19を検出するための潜在的な解決策の1つは、ディープラーニング(DL)モデルを使用して胸部X線画像を分析することである。 本研究では,新型コロナウイルスの認識のための新しいCNNアーキテクチャを提案する。 提案したCNNモデルでは、それぞれ94%と99%の精度で、COVID-19データセットが強化されている。
  論文  参考訳（メタデータ） (2021-05-17T23:40:37Z)
• Deep learning for COVID-19 diagnosis based feature selection using binary differential evolution algorithm [1.332091725929965]
  新型コロナウイルスは急速に普及しており、多くの人々の命を奪っている。 深層畳み込みニューラルネットワークは、画像の分類に強力なツールである。 提案手法は,X線画像を用いた新型コロナウイルス検出の最近の研究より優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-15T07:12:58Z)
• 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)
• 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)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• COVID-ResNet: A Deep Learning Framework for Screening of COVID19 from Radiographs [1.9798034349981157]
  新型コロナウイルスと他の肺炎を鑑別するための正確な畳み込みニューラルネットワークフレームワークを提案する。 本研究は,モデル性能を向上させるために,トレーニング済みのResNet-50アーキテクチャを微調整する3段階の手法を提案する。 このモデルは、新型コロナウイルスの早期スクリーニングに役立ち、医療システムの負担軽減に役立つ。
  論文  参考訳（メタデータ） (2020-03-31T17:42:28Z)
• 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。