論文の概要: Deep Learning for Reliable Classification of COVID-19, MERS, and SARS from Chest X-Ray Images

• arxiv url: http://arxiv.org/abs/2005.11524v6
• Date: Tue, 1 Jun 2021 12:37:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 03:38:28.697772
• Title: Deep Learning for Reliable Classification of COVID-19, MERS, and SARS from Chest X-Ray Images
• Title（参考訳）: 胸部X線画像からのCOVID-19, MERS, SARSの信頼性診断のための深層学習
• Authors: Anas Tahir, Yazan Qiblawey, Amith Khandakar, Tawsifur Rahman, Uzair Khurshid, Farayi Musharavati, M. T. Islam, Serkan Kiranyaz, Muhammad E. H. Chowdhury
• Abstract要約: 重症急性呼吸症候群(SARS)と中東呼吸器症候群(MERS)の流行は2002年と2011年に発生し、現在のCOVID-19パンデミックはいずれも同じ種類の新型コロナウイルスである。 本研究の目的は、深層畳み込みニューラルネットワーク(CNN)を用いて、COVID-19、SARS、MERS胸部X線画像(CXR)を分類することである。
• 参考スコア（独自算出の注目度）: 3.1807621587822013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Novel Coronavirus disease (COVID-19) is an extremely contagious and quickly spreading Coronavirus infestation. Severe Acute Respiratory Syndrome (SARS) and Middle East Respiratory Syndrome (MERS), which outbreak in 2002 and 2011, and the current COVID-19 pandemic are all from the same family of coronavirus. This work aims to classify COVID-19, SARS, and MERS chest X-ray (CXR) images using deep Convolutional Neural Networks (CNNs). A unique database was created, so-called QU-COVID-family, consisting of 423 COVID-19, 144 MERS, and 134 SARS CXR images. Besides, a robust COVID-19 recognition system was proposed to identify lung regions using a CNN segmentation model (U-Net), and then classify the segmented lung images as COVID-19, MERS, or SARS using a pre-trained CNN classifier. Furthermore, the Score-CAM visualization method was utilized to visualize classification output and understand the reasoning behind the decision of deep CNNs. Several Deep Learning classifiers were trained and tested; four outperforming algorithms were reported. Original and preprocessed images were used individually and all together as the input(s) to the networks. Two recognition schemes were considered: plain CXR classification and segmented CXR classification. For plain CXRs, it was observed that InceptionV3 outperforms other networks with a 3-channel scheme and achieves sensitivities of 99.5%, 93.1%, and 97% for classifying COVID-19, MERS, and SARS images, respectively. In contrast, for segmented CXRs, InceptionV3 outperformed using the original CXR dataset and achieved sensitivities of 96.94%, 79.68%, and 90.26% for classifying COVID-19, MERS, and SARS images, respectively. All networks showed high COVID-19 detection sensitivity (>96%) with the segmented lung images. This indicates the unique radiographic signature of COVID-19 cases in the eyes of AI, which is often a challenging task for medical doctors.
• Abstract（参考訳）: 新規のコロナウイルス病(COVID-19)は、非常に感染性が高く、急速に感染するコロナウイルスである。 2002年と2011年に流行した重症急性呼吸器症候群(sars)と中東呼吸器症候群(mers)、そして現在の新型コロナウイルス(covid-19)のパンデミックは、すべて同じ種類のコロナウイルスである。 本研究の目的は、深層畳み込みニューラルネットワーク(CNN)を用いて、COVID-19、SARS、MERS胸部X線(CXR)画像を分類することである。 423のCOVID-19、144のMERS、134のSARS CXR画像からなるQU-COVID- Familyと呼ばれるユニークなデータベースが作成された。 さらに、CNNセグメンテーションモデル(U-Net)を用いて肺領域を同定し、訓練済みのCNN分類器を用いて、セグメンテーションされた肺画像をCOVID-19、MERS、SARSに分類する堅牢なCOVID-19認識システムを提案した。 さらに,スコアカム可視化法を用いて分類結果の可視化を行い,深層cnnの決定の背後にある理由を理解する。 いくつかのディープラーニング分類器が訓練され、テストされ、4つの優れたアルゴリズムが報告された。 オリジナル画像とプリプロセス画像は、ネットワークへの入力として、それぞれに同時に使用された。 CXR分類とCXR分類の2つの分類法が検討された。 通常のcxrでは、inceptionv3は他のネットワークを3チャンネル方式で上回り、99.5%、93.1%、および97%の感度を達成し、covid-19、mers、sars画像の分類を行った。 一方、セグメンテーションされたCXRでは、InceptionV3はオリジナルのCXRデータセットより優れ、それぞれ96.94%、79.68%、90.26%の感度で新型コロナウイルス、MERS、SARSの画像を分類した。 すべてのネットワークは、分枝肺画像で高い新型コロナウイルス検出感度(>96%)を示した。 これは、医療従事者にとって難しい課題であるAIの目に、新型コロナウイルス(COVID-19)のユニークな症状を示すものだ。

関連論文リスト

• 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)
• COVIDx CXR-3: A Large-Scale, Open-Source Benchmark Dataset of Chest X-ray Images for Computer-Aided COVID-19 Diagnostics [69.55060769611916]
  RT-PCR検査の補助的スクリーニング戦略としての胸部X線撮影(CXR)の利用が増加している。 CXRイメージングに基づく新型コロナウイルススクリーニングのための多くの視覚知覚モデルが提案されている。 我々は、COVID-19コンピュータビジョン研究を支援するために、CXR画像の大規模なベンチマークデータセットであるCOVIDx CXR-3を紹介する。
  論文  参考訳（メタデータ） (2022-06-08T04:39:44Z)
• 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)
• COVID-Net CXR-2: An Enhanced Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-ray Images [58.35627258364233]
  RT-PCR検査への無料スクリーニング戦略として胸部X線(CXR)イメージングの使用は成長し続けています。 我々は、CXR画像からCOVID-19を検出するための深層畳み込みニューラルネットワーク設計であるCOVID-Net CXR-2を紹介する。 ベンチマークデータセットは、少なくとも51カ国16,656人の多国籍コホートから19,203個のCXR画像で構成された。
  論文  参考訳（メタデータ） (2021-05-14T04:29:21Z)
• COVID-19 Infection Localization and Severity Grading from Chest X-ray Images [3.4546388019336143]
  コロナウイルス感染症2019(COVID-19)は、2019年12月に出現して以来、世界中で主要な課題となっている。 我々は、11,956のCOVID-19サンプルを含む33,920のCXRイメージで、最大のベンチマークデータセットを構築しました。 このアプローチは、99%以上の感度と特異性の両方で優れたCOVID-19検出性能を達成しました。
  論文  参考訳（メタデータ） (2021-03-14T18:06:06Z)
• 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)
• 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)
• Impact of lung segmentation on the diagnosis and explanation of COVID-19 in chest X-ray images [11.856552328367151]
  新型コロナウイルスはしばしば肺炎を誘発し、画像検査で診断できる。 ここでは,CXR画像を用いた新型コロナウイルス識別における肺セグメンテーションの影響を実証する。
  論文  参考訳（メタデータ） (2020-09-21T12:03:54Z)
• DeepCOVIDExplainer: Explainable COVID-19 Diagnosis Based on Chest X-ray Images [1.6855835471222005]
  我々は、CXR画像から新型コロナウイルスの症状を自動的に検出するための説明可能なディープニューラルネットワーク(DNN)に基づく手法を提案する。 15,854例のCXR画像15,959例を使用し,正常例,肺炎例,COVID-19例を対象とした。 当社のアプローチでは、新型コロナウイルスを確実に91.6%、92.45%、96.12%の正の予測値(PPV)で識別することができる。
  論文  参考訳（メタデータ） (2020-04-09T15:03:58Z)
• COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images [93.0013343535411]
  我々は,胸部X線(CXR)画像から新型コロナウイルスの症例を検出するための,深層畳み込みニューラルネットワーク設計であるCOVID-Netを紹介した。 著者たちの知る限りでは、COVID-NetはCXRイメージからCOVID-19を検出するための、最初のオープンソースネットワーク設計の1つである。 また,13,870人の患者を対象に,13,975個のCXR画像からなるオープンアクセスベンチマークデータセットであるCOVIDxも導入した。
  論文  参考訳（メタデータ） (2020-03-22T12:26:36Z)

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。