論文の概要: A Critic Evaluation of Methods for COVID-19 Automatic Detection from X-Ray Images

• arxiv url: http://arxiv.org/abs/2004.12823v4
• Date: Sun, 20 Sep 2020 00:36:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 05:13:30.832579
• Title: A Critic Evaluation of Methods for COVID-19 Automatic Detection from X-Ray Images
• Title（参考訳）: X線画像からのCOVID-19自動検出手法の批判的評価
• Authors: Gianluca Maguolo, Loris Nanni
• Abstract要約: 肺の大半を含まないX線画像を用いて同様の結果が得られることを示す。 認識のためのいくつかのテストプロトコルは公平ではなく、ニューラルネットワークは、COVID-19の存在と相関しないデータセットの学習パターンである、と推測する。
• 参考スコア（独自算出の注目度）: 9.269541211042462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we compare and evaluate different testing protocols used for automatic COVID-19 diagnosis from X-Ray images in the recent literature. We show that similar results can be obtained using X-Ray images that do not contain most of the lungs. We are able to remove the lungs from the images by turning to black the center of the X-Ray scan and training our classifiers only on the outer part of the images. Hence, we deduce that several testing protocols for the recognition are not fair and that the neural networks are learning patterns in the dataset that are not correlated to the presence of COVID-19. Finally, we show that creating a fair testing protocol is a challenging task, and we provide a method to measure how fair a specific testing protocol is. In the future research we suggest to check the fairness of a testing protocol using our tools and we encourage researchers to look for better techniques than the ones that we propose.
• Abstract（参考訳）: 本稿では,近年の文献におけるx線画像からcovid-19自動診断のための異なる検査プロトコルを比較し,評価する。 肺の大半を含まないX線画像を用いて同様の結果が得られることを示す。 我々はX線スキャンの中心を黒くし、画像の外側だけに分類器を訓練することで、画像から肺を取り除くことができる。 したがって、認識のためのいくつかのテストプロトコルは公平ではなく、ニューラルネットワークはcovid-19の存在と相関しないデータセット内の学習パターンであると推定する。 最後に,公正なテストプロトコルの作成が難しい課題であることを示し,特定のテストプロトコルがどの程度公平であるかを測定する方法を提案する。 今後の研究では,当社のツールを用いたテストプロトコルの公平性を確認することを提案するとともに,提案する手法よりも優れた技術を求めることを研究者に推奨する。

関連論文リスト

• Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
  医用画像のテキストレポートの代替としてアイトラッキングを提案する。 医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。 対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
  論文  参考訳（メタデータ） (2023-12-11T02:27:45Z)
• COVID-19 Detection Based on Self-Supervised Transfer Learning Using Chest X-Ray Images [38.65823547986758]
  胸部X線(CXR)画像から新型コロナウイルスを検出するための自己教師伝達学習法を提案する。 オープンなCOVID-19 CXRデータセットの定量的評価と,視覚検査のための質的結果について検討した。
  論文  参考訳（メタデータ） (2022-12-19T07:10:51Z)
• 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)
• Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
  新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。 公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。 我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:57:04Z)
• Classification of COVID-19 on chest X-Ray images using Deep Learning model with Histogram Equalization and Lungs Segmentation [1.6019444314820142]
  本研究は,胸部X線を用いたコビッドウイルス感染肺の検出のためのディープラーニングアーキテクチャに基づく研究である。 我々の新しいアプローチは、よく知られた前処理技術、特徴抽出法、およびデータセットバランス法を組み合わせることで、優れた98%の認識率をもたらす。
  論文  参考訳（メタデータ） (2021-12-05T05:04:38Z)
• 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)
• Explanatory Analysis and Rectification of the Pitfalls in COVID-19 Datasets [0.0]
  2020年に新型コロナウイルス(COVID-19)が流行して以来、何百万人もの人々がこの致命的なウイルスに感染している。 世界中の研究者が、Chest X-Raysを使って新型コロナウイルスを検出するためのディープラーニングベースの手法を提案している。 公開されているChest X-Rayデータセットのバイアスの存在に関する疑問が提起されている。
  論文  参考訳（メタデータ） (2021-11-10T13:38:51Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Artificial Intelligence applied to chest X-Ray images for the automatic detection of COVID-19. A thoughtful evaluation approach [0.0]
  論文では、79,500枚以上のX線画像のデータセットで畳み込みニューラルネットワークをトレーニングするプロセスについて述べる。 採用手法では、91.5%の分類精度が得られ、最悪のものの最も説明可能な実験に対する平均リコールは87.4%である。
  論文  参考訳（メタデータ） (2020-11-29T02:48:39Z)
• 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)
• Unsupervised Anomaly Detection for X-Ray Images [4.353258086186526]
  本研究では,手指X線画像の評価において,異常のない画像で訓練された教師なしの方法を用いて,医師を支援する方法について検討する。 我々は、教師なし学習に最先端のアプローチを採用し、異常を検出し、これらの手法の出力がどのように説明できるかを示す。 実世界のX線画像のデータセット上で,ラベルがなくても満足な結果が得られることを実証的に示す。
  論文  参考訳（メタデータ） (2020-01-29T15:14:56Z)

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。