論文の概要: Automatic classification between COVID-19 pneumonia, non-COVID-19
pneumonia, and the healthy on chest X-ray image: combination of data
augmentation methods
- arxiv url: http://arxiv.org/abs/2006.00730v2
- Date: Fri, 12 Jun 2020 03:47:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 07:34:34.209548
- Title: Automatic classification between COVID-19 pneumonia, non-COVID-19
pneumonia, and the healthy on chest X-ray image: combination of data
augmentation methods
- Title(参考訳): 胸部X線画像におけるCOVID-19肺炎、非COVID-19肺炎、および健常者の自動分類 : データ増強法の組み合わせ
- Authors: Mizuho Nishio, Shunjiro Noguchi, Hidetoshi Matsuo, Takamichi Murakami
- Abstract要約: CADxシステムの3カテゴリーの精度は、COVID-19肺炎、非COVID-19肺炎、健康な人の間で83.6%であった。
CADxシステムのソースコードは、COVID-19研究のためのオープンソースとして利用可能です。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: This study aimed to develop and validate computer-aided diagnosis
(CXDx) system for classification between COVID-19 pneumonia, non-COVID-19
pneumonia, and the healthy on chest X-ray (CXR) images.
Materials and Methods: From two public datasets, 1248 CXR images were
obtained, which included 215, 533, and 500 CXR images of COVID-19 pneumonia
patients, non-COVID-19 pneumonia patients, and the healthy samples. The
proposed CADx system utilized VGG16 as a pre-trained model and combination of
conventional method and mixup as data augmentation methods. Other types of
pre-trained models were compared with the VGG16-based model. Single type or no
data augmentation methods were also evaluated. Splitting of
training/validation/test sets was used when building and evaluating the CADx
system. Three-category accuracy was evaluated for test set with 125 CXR images.
Results: The three-category accuracy of the CAD system was 83.6% between
COVID-19 pneumonia, non-COVID-19 pneumonia, and the healthy. Sensitivity for
COVID-19 pneumonia was more than 90%. The combination of conventional method
and mixup was more useful than single type or no data augmentation method.
Conclusion: This study was able to create an accurate CADx system for the
3-category classification. Source code of our CADx system is available as open
source for COVID-19 research.
- Abstract(参考訳): 目的】covid-19肺炎,非covid-19肺炎,健康な胸部x線画像の分類のためのコンピュータ支援診断システム(cxdx)を開発し,検証することを目的とした。
2つの公開データセットから、covid-19肺炎患者、非covid-19肺炎患者、健康なサンプルの215、533、500のcxr画像を含む1248のcxr画像が得られた。
提案するcadxシステムは,vgg16を事前学習モデルとして,従来法と混合法を組み合わせたデータ拡張手法として用いた。
他の訓練済みモデルとVGG16ベースのモデルを比較した。
単一の型やデータ拡張方法も評価されなかった。
CADxシステムの構築と評価にはトレーニング/検証/テストセットの分割が用いられた。
125枚のCXR画像を用いて3カテゴリの精度を評価した。
結果:CADシステムの3カテゴリーの精度は, 肺炎, 非肺炎, 健康者間で83.6%であった。
肺炎に対する感受性は90%以上であった。
従来法と混合法の組み合わせは, 単型法やデータ拡張法よりも有用であった。
結論: 本研究は, 3カテゴリー分類のための正確なCADxシステムを構築することができた。
CADxシステムのソースコードは、COVID-19研究のためのオープンソースとして利用可能です。
関連論文リスト
- Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive
Learning [19.948079693716075]
提案するAIモデルは、教師付きコントラスト学習を利用して、CXR診断におけるバイアスを最小限にする。
77,887個のCXR画像を用いたMIDRCデータセットと,112,120個のCXR画像を用いたNIH Chest X-rayデータセットの2つのデータセットについて評価を行った。
論文 参考訳(メタデータ) (2024-01-25T20:03:57Z) - CIRCA: comprehensible online system in support of chest X-rays-based
COVID-19 diagnosis [37.41181188499616]
深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。
5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。
The U-Net-based model was developed to identified a clinically relevant region of the CXR。
論文 参考訳(メタデータ) (2022-10-11T13:30:34Z) - 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) - 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) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳(メタデータ) (2020-10-07T06:22:24Z) - 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) - Machine Learning Automatically Detects COVID-19 using Chest CTs in a
Large Multicenter Cohort [43.99203831722203]
16施設2096例の胸部CT検査を行った。
新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。
深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
論文 参考訳(メタデータ) (2020-06-09T00:40:35Z) - 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) - Multi-Channel Transfer Learning of Chest X-ray Images for Screening of
COVID-19 [6.221369419104751]
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。
論文 参考訳(メタデータ) (2020-05-12T07:03:46Z) - Adaptive Feature Selection Guided Deep Forest for COVID-19
Classification with Chest CT [49.09507792800059]
胸部CT画像に基づくCOVID-19分類のための適応的特徴選択ガイド付き深層林(AFS-DF)を提案する。
AFS-DF on COVID-19 data with 1495 patients of COVID-19 and 1027 patients of community acquired pneumonia (CAP)。
論文 参考訳(メタデータ) (2020-05-07T06:00:02Z)
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。