論文の概要: A Deep Convolutional Neural Network for COVID-19 Detection Using Chest X-Rays

• arxiv url: http://arxiv.org/abs/2005.01578v4
• Date: Wed, 13 Jan 2021 04:08:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 03:48:19.853785
• Title: A Deep Convolutional Neural Network for COVID-19 Detection Using Chest X-Rays
• Title（参考訳）: 胸部x線を用いた深部畳み込みニューラルネットワークによる新型コロナウイルス検出
• Authors: Pedro R. A. S. Bassi, Romis Attux
• Abstract要約: 我々は,Dense Convolutional Networksに基づく画像分類器を提案し,胸部X線像を新型コロナウイルス,肺炎,正常の3つのラベルで分類する移行学習を行った。 テストデータセットで100%のテスト精度に到達することができました。
• 参考スコア（独自算出の注目度）: 2.2843885788439797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: We present image classifiers based on Dense Convolutional Networks and transfer learning to classify chest X-ray images according to three labels: COVID-19, pneumonia and normal. Methods: We fine-tuned neural networks pretrained on ImageNet and applied a twice transfer learning approach, using NIH ChestX-ray14 dataset as an intermediate step. We also suggested a novelty called output neuron keeping, which changes the twice transfer learning technique. In order to clarify the modus operandi of the models, we used Layer-wise Relevance Propagation (LRP) to generate heatmaps. Results: We were able to reach test accuracy of 100% on our test dataset. Twice transfer learning and output neuron keeping showed promising results improving performances, mainly in the beginning of the training process. Although LRP revealed that words on the X-rays can influence the networks' predictions, we discovered this had only a very small effect on accuracy. Conclusion: Although clinical studies and larger datasets are still needed to further ensure good generalization, the state-of-the-art performances we achieved show that, with the help of artificial intelligence, chest X-rays can become a cheap and accurate auxiliary method for COVID-19 diagnosis. Heatmaps generated by LRP improve the interpretability of the deep neural networks and indicate an analytical path for future research on diagnosis. Twice transfer learning with output neuron keeping improved performances.
• Abstract（参考訳）: 目的: Dense Convolutional Networks に基づく画像分類器を提示し, 胸部X線画像の分類を, 新型コロナウイルス, 肺炎, 正常の3つのラベルで行う。 方法:ImageNetで事前トレーニングしたニューラルネットワークを微調整し,NIH ChestX-ray14データセットを中間ステップとして,2回転送学習アプローチを適用した。 また,2回移動学習技術を変える出力ニューロン保持という新規性も提案した。 モデルのモード操作を明らかにするために,レイヤワイド・レバレンス・プロパゲーション(LRP)を用いて熱マップを生成する。 結果:テストデータセットで100%のテスト精度に到達することができました。 2つの伝達学習と出力ニューロン保持は、主にトレーニングプロセスの開始時に、パフォーマンスを向上する有望な結果を示した。 LRPは、X線上の単語がネットワークの予測に影響を及ぼすことを示したが、精度にはほとんど影響を与えなかった。 結論: 臨床研究とより大きなデータセットは、優れた一般化を実現するためにはまだ必要だが、私たちが達成した最先端のパフォーマンスは、人工知能の助けを借りて、胸部x線が新型コロナウイルスの診断の安価で正確な補助手段になることを示している。 lrpが生成するヒートマップはディープニューラルネットワークの解釈性を改善し、将来の診断研究のための分析経路を示す。 出力ニューロンによる2つの伝達学習の性能向上

関連論文リスト

• 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)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Twin Augmented Architectures for Robust Classification of COVID-19 Chest X-Ray Images [6.127080932156285]
  COVID-19のゴールドスタンダードはRT-PCRであり、テスト施設は限られており、常に最適に配布されるわけではありません。 データセット選択の一般的な選択は、データの均一性に悩まされ、誤った結果をもたらすことを示す。 我々は、一般的な事前学習深層学習モデルを修正するために、ツイン拡張と呼ばれる最先端技術を導入する。
  論文  参考訳（メタデータ） (2021-02-16T06:50:17Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• COVID-CLNet: COVID-19 Detection with Compressive Deep Learning Approaches [0.0]
  本稿ではCTスキャン画像を用いたコンピュータ支援検出システムを提案する。 この強化されたディープラーニングネットワーク(CLNet)は、ディープラーニング(DL)ネットワークの実装に基づいている。 異なる圧縮方法で行われた実験は、新型コロナウイルス検出の有望な結果を示している。
  論文  参考訳（メタデータ） (2020-12-03T19:56:48Z)
• Triage of Potential COVID-19 Patients from Chest X-ray Images using Hierarchical Convolutional Networks [5.7179132552879395]
  新型コロナウイルス(COVID-19)のパンデミックは、逆転写-ポリメラーゼ連鎖反応(RT-PCR)の代替として人工知能技術を使うことを研究者に動機付けている。 胸部X線(CXR)は早期診断のための代替手段の1つであるが、大規模な注釈付きデータの有効性は、機械学習による新型コロナウイルス検出の臨床的実装を困難にしている。 本稿では,階層型畳み込みネットワーク(HCN)アーキテクチャを用いて,データを自然に拡張する手法を提案する。
  論文  参考訳（メタデータ） (2020-11-01T20:01:22Z)
• 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)
• Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
  我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。 対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
  論文  参考訳（メタデータ） (2020-08-04T07:41:15Z)
• Data Augmentation using Generative Adversarial Networks (GANs) for GAN-based Detection of Pneumonia and COVID-19 in Chest X-ray Images [0.0]
  肺炎およびCOVID-19の半監督的検出のための胸部X線増強のための新しいGANアーキテクチャを提案する。 提案したGANは, 肺炎, COVID-19の胸部X線検査において, データを効果的に増強し, 疾患の分類精度を向上させるのに有用である。
  論文  参考訳（メタデータ） (2020-06-05T18:30:20Z)

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。