論文の概要: A Light CNN for detecting COVID-19 from CT scans of the chest
- arxiv url: http://arxiv.org/abs/2004.12837v1
- Date: Fri, 24 Apr 2020 07:58:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 03:25:45.983014
- Title: A Light CNN for detecting COVID-19 from CT scans of the chest
- Title(参考訳): 胸部CTスキャンからCOVID-19を検出する軽量CNN
- Authors: Matteo Polsinelli, Luigi Cinque, Giuseppe Placidi
- Abstract要約: OVID-19は世界保健機関(WHO)によってパンデミックと宣言された世界規模の病気である。
深層学習は医学画像や畳み込みニューラルネットワーク(CNN)にも広く使われており、CT画像の分類にも使われている。
我々は,SqueezeNetのモデルに基づく軽量CNN設計を提案し,新型コロナウイルスのCT画像の効率的な識別を行う。
- 参考スコア(独自算出の注目度): 9.088303226909279
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: OVID-19 is a world-wide disease that has been declared as a pandemic by the
World Health Organization. Computer Tomography (CT) imaging of the chest seems
to be a valid diagnosis tool to detect COVID-19 promptly and to control the
spread of the disease. Deep Learning has been extensively used in medical
imaging and convolutional neural networks (CNNs) have been also used for
classification of CT images. We propose a light CNN design based on the model
of the SqueezeNet, for the efficient discrimination of COVID-19 CT images with
other CT images (community-acquired pneumonia and/or healthy images). On the
tested datasets, the proposed modified SqueezeNet CNN achieved 83.00\% of
accuracy, 85.00\% of sensitivity, 81.00\% of specificity, 81.73\% of precision
and 0.8333 of F1Score in a very efficient way (7.81 seconds medium-end laptot
without GPU acceleration). Besides performance, the average classification time
is very competitive with respect to more complex CNN designs, thus allowing its
usability also on medium power computers. In the next future we aim at
improving the performances of the method along two directions: 1) by increasing
the training dataset (as soon as other CT images will be available); 2) by
introducing an efficient pre-processing strategy.
- Abstract(参考訳): OVID-19は世界保健機関によってパンデミックと宣言された世界規模の病気である。
胸部ct(computer tomography)画像診断は、covid-19を迅速に検出し、疾患の拡散を制御するための有効な診断ツールであると思われる。
深層学習は医学画像や畳み込みニューラルネットワーク(CNN)にも広く使われており、CT画像の分類にも使われている。
我々は,SqueezeNetのモデルに基づく軽量CNN設計を提案し,他のCT画像(共用性肺炎および/または健康な画像)と新型コロナウイルスCT画像の効率的な識別を行う。
テストされたデータセットでは、提案されたSqueezeNet CNNの精度は83.00\%、感度は85.00\%、特異性は81.00\%、精度は81.73\%、F1Scoreの0.8333(GPUアクセラレーションなしで7.81秒)に達した。
性能に加えて、平均的な分類時間はより複雑なcnn設計に関して非常に競争力があり、中程度のパワーコンピュータでも利用可能である。
将来的には,2方向の手法の性能向上を目指しています。
1) トレーニングデータセットを拡大することで(他のCT画像が利用可能になるとすぐに)。
2) 効率的な前処理戦略を導入する。
関連論文リスト
- MIC: Medical Image Classification Using Chest X-ray (COVID-19 and Pneumonia) Dataset with the Help of CNN and Customized CNN [0.0]
本研究では,医用画像分類のための独自の畳み込みニューラルネットワーク(CCNN)を提案する。
提案されたCCNNは、同じデータセットを使用した畳み込みニューラルネットワーク(CNN)や他のモデルと比較された。
この研究によると、畳み込みニューラルネットワーク(CCNN)は95.62%の検証精度と0.1270の検証損失を達成した。
論文 参考訳(メタデータ) (2024-11-02T07:18:53Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - COVID-19 Detection on Chest X-Ray Images: A comparison of CNN
architectures and ensembles [0.0]
畳み込みニューラルネットワーク(CNN)は、しばしば自動画像分類に使われ、CXR診断に非常に有用である。
本稿では、CXR画像中のCOVID-19を識別するタスクにおいて、21の異なるCNNアーキテクチャをテスト、比較する。
最も優れたCNNのインスタンス結果はDenseNet169で達成され、精度は98.15%、F1スコアは98.12%だった。
論文 参考訳(メタデータ) (2021-11-18T23:28:21Z) - 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) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳(メタデータ) (2021-09-18T02:28:01Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - Generation of COVID-19 Chest CT Scan Images using Generative Adversarial
Networks [0.0]
SARS-CoV-2は、新型コロナウイルスに感染するウイルス性伝染病で、世界中で急速に広まっている。
拡散を減らすために人々をテストし、分離することが非常に重要であり、ここからは、これを迅速かつ効率的に行う必要がある。
いくつかの研究によると、Chest-CTは、新型コロナウイルス患者の診断において、現在の標準であるRT-PCR検査より優れている。
論文 参考訳(メタデータ) (2021-05-20T13:04:21Z) - COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19
from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。
説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。
結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
論文 参考訳(メタデータ) (2021-01-19T03:04:09Z) - Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19
Using Convolutional Neural Network [2.752817022620644]
最近の研究で、新型コロナウイルス患者のX線写真には、新型コロナウイルスに関する情報が含まれていることが示されている。
胸部X線(CXR)は、高速な撮像時間、広範囲の可用性、低コスト、可搬性から注目されている。
本研究では、CXR画像から新型コロナウイルスの分類を改善するために、新しい多機能畳み込みニューラルネットワーク(CNN)アーキテクチャを設計する。
論文 参考訳(メタデータ) (2020-11-06T20:26:26Z) - 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) - Improving Automated COVID-19 Grading with Convolutional Neural Networks
in Computed Tomography Scans: An Ablation Study [3.072491397378425]
本稿では,CNNに基づくCT画像からのCOVID-19グレーティングのためのアルゴリズムの性能向上に寄与する各種成分を同定する。
これらの成分を用いた3D CNNは, テストセット105CTでは0.934のLOC曲線 (AUC) , 公開されている742CTでは0.923のAUCを達成した。
論文 参考訳(メタデータ) (2020-09-21T09:58:57Z)
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。