論文の概要: Multi-Channel Transfer Learning of Chest X-ray Images for Screening of COVID-19

• arxiv url: http://arxiv.org/abs/2005.05576v1
• Date: Tue, 12 May 2020 07:03:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 18:51:38.024077
• Title: Multi-Channel Transfer Learning of Chest X-ray Images for Screening of COVID-19
• Title（参考訳）: 新型コロナウイルススクリーニングのための胸部X線画像の多チャンネル移動学習
• Authors: Sampa Misra, Seungwan Jeon, Seiyon Lee, Ravi Managuli, and Chulhong Kim
• Abstract要約: 現在、新型コロナウイルス患者をスクリーニングするための金本位試験はポリメラーゼ連鎖反応試験である。 代替として、胸部X線は迅速なスクリーニングのために検討されている。 本稿では、新型コロナウイルスの胸部X線診断を容易にするために、ResNetアーキテクチャに基づくマルチチャネルトランスファー学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 6.221369419104751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The 2019 novel coronavirus (COVID-19) has spread rapidly all over the world and it is affecting the whole society. The current gold standard test for screening COVID-19 patients is the polymerase chain reaction test. However, the COVID-19 test kits are not widely available and time-consuming. Thus, as an alternative, chest X-rays are being considered for quick screening. Since the presentation of COVID-19 in chest X-rays is varied in features and specialization in reading COVID-19 chest X-rays are required thus limiting its use for diagnosis. To address this challenge of reading chest X-rays by radiologists quickly, we present a multi-channel transfer learning model based on ResNet architecture to facilitate the diagnosis of COVID-19 chest X-ray. Three ResNet-based models (Models a, b, and c) were retrained using Dataset_A (1579 normal and 4429 diseased), Dataset_B (4245 pneumonia and 1763 non-pneumonia), and Dataset_C (184 COVID-19 and 5824 Non-COVID19), respectively, to classify (a) normal or diseased, (b) pneumonia or non-pneumonia, and (c) COVID-19 or non-COVID19. Finally, these three models were ensembled and fine-tuned using Dataset_D (1579 normal, 4245 pneumonia, and 184 COVID-19) to classify normal, pneumonia, and COVID-19 cases. Our results show that the ensemble model is more accurate than the single ResNet model, which is also re-trained using Dataset_D as it extracts more relevant semantic features for each class. Our approach provides a precision of 94 % and a recall of 100%. Thus, our method could potentially help clinicians in screening patients for COVID-19, thus facilitating immediate triaging and treatment for better outcomes.
• Abstract（参考訳）: 2019年の新型コロナウイルス(COVID-19)は世界中で急速に広がり、社会全体に影響を及ぼしている。 現在、covid-19患者をスクリーニングするためのゴールドスタンダードテストは、ポリメラーゼ連鎖反応テストである。 しかし、新型コロナウイルス検査キットは広く利用できず、時間がかかる。 そのため、胸部X線は早期検診のために検討されている。 胸部X線におけるCOVID-19の提示は特徴によって異なっており、読影の専門化が求められるため、診断に使用が制限される。 放射線科医が胸部x線を迅速に読み取るという課題に対処するために,resnetアーキテクチャに基づくマルチチャネル転送学習モデルを提案し,新型コロナウイルス胸部x線診断を容易にする。 3つのResNetベースモデル(モデルa,b,) c) を, Dataset_A (正常1579例, 疾患4429例), Dataset_B (肺炎4245例, 非肺炎1763例), Dataset_C (184 COVID-19), Non-COVID19 5824例) を用いて再訓練した。 (a)正常、または病気 (b)肺炎、非肺炎、及び (c)COVID-19、または非COVID19。 最後に、これらの3つのモデルは、正常、肺炎、およびCOVID-19の患者を分類するために、Dataset_D(正常1579人、肺炎4245人、COVID-19184人)を使用して組み立て、微調整された。 結果から,アンサンブルモデルは単一ResNetモデルよりも精度が高く,各クラスに関連性のあるセマンティックな特徴を抽出するため,Dataset_Dを用いて再トレーニングされることがわかった。 提案手法は精度94 %,リコール率100%を提供する。 そこで本手法は, 患者をスクリーニングする患者に有効であり, 即時トリアージと治療が有効である可能性が示唆された。

関連論文リスト

• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• COVID-19 Detection from Chest X-ray Images using Imprinted Weights Approach [67.05664774727208]
  胸部X線撮影は、COVID-19の代替スクリーニング方法です。 コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。 この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
  論文  参考訳（メタデータ） (2021-05-04T19:01:40Z)
• 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)
• RANDGAN: Randomized Generative Adversarial Network for Detection of COVID-19 in Chest X-ray [0.0]
  新型コロナウイルス(COVID-19)が世界中に広がる中で、医療機関は患者を診断し、必要な頻度で検査する能力を失っている。 研究は、胸部X線でウイルス性細菌性肺炎から新型コロナウイルスを検出できる有望な結果を示している。 本研究では,ラベルやトレーニングデータを必要とせず,未知のクラス(COVID-19)の画像を検出するランダム化生成敵ネットワーク(RANDGAN)を提案する。
  論文  参考訳（メタデータ） (2020-10-06T15:58:09Z)
• 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)
• Improving performance of CNN to predict likelihood of COVID-19 using chest X-ray images with preprocessing algorithms [0.3180570080674292]
  本研究は,胸部X線画像のコンピュータ支援診断手法の開発の可能性を示した。 8,474個の胸部X線画像のデータセットを使用して、CNNベースのCADスキームをトレーニングし、テストする。 検査結果は、3つのクラスを分類する際の総合的精度の94.0%、コビッドウイルスの感染者を検出する際の精度の98.6%を達成している。
  論文  参考訳（メタデータ） (2020-06-11T16:45:46Z)
• 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)
• COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
  新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。 近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。 本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
  論文  参考訳（メタデータ） (2020-04-30T03:13:40Z)
• CoroNet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images [0.0]
  CoroNetは、胸部X線画像からCOVID-19感染を自動的に検出するDeep Conceptional Neural Networkモデルである。 提案したモデルは全体の89.6%の精度を達成し、新型コロナウイルス患者の精度とリコール率は93%と98.2%である。
  論文  参考訳（メタデータ） (2020-04-10T07:46:07Z)
• Finding Covid-19 from Chest X-rays using Deep Learning on a Small Dataset [0.8307419633891249]
  本稿では、新型コロナウイルスの診断における胸部X線画像の有用性について検討する。 新型コロナウイルスの胸部X線122例, ウイルス性肺炎および細菌性肺炎の胸部X線4,000例以上が得られた。
  論文  参考訳（メタデータ） (2020-04-05T00:58:54Z)

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。