Fugu-MT 論文翻訳(概要): Exploration of Interpretability Techniques for Deep COVID-19 Classification using Chest X-ray Images

論文の概要: Exploration of Interpretability Techniques for Deep COVID-19 Classification using Chest X-ray Images

arxiv url: http://arxiv.org/abs/2006.02570v3
Date: Sat, 15 Oct 2022 18:12:44 GMT
ステータス: 処理完了
システム内更新日: 2022-11-25 17:53:04.181840
Title: Exploration of Interpretability Techniques for Deep COVID-19 Classification using Chest X-ray Images
Title（参考訳）: 胸部X線画像を用いた深部COVID-19分類法の検討
Authors: Soumick Chatterjee, Fatima Saad, Chompunuch Sarasaen, Suhita Ghosh, Valerie Krug, Rupali Khatun, Rahul Mishra, Nirja Desai, Petia Radeva, Georg Rose, Sebastian Stober, Oliver Speck, Andreas N\"urnberger
Abstract要約: 5種類のディープラーニングモデル(ResNet18、ResNet34、InceptionV3、InceptionResNetV2、DenseNet161)とそれらのEnsembleは、Chest X-Ray画像を用いて、新型コロナウイルス、肺炎、健康な被験者を分類するために使用されている。新型コロナウイルスの分類における平均的なMicro-F1スコアは0.66から0.875の範囲で、ネットワークモデルのアンサンブルは0.89である。
参考スコア（独自算出の注目度）: 10.01138352319106
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The outbreak of COVID-19 has shocked the entire world with its fairly rapid spread and has challenged different sectors. One of the most effective ways to limit its spread is the early and accurate diagnosis of infected patients. Medical imaging such as X-ray and Computed Tomography (CT) combined with the potential of Artificial Intelligence (AI) plays an essential role in supporting the medical staff in the diagnosis process. Thereby, five different deep learning models (ResNet18, ResNet34, InceptionV3, InceptionResNetV2, and DenseNet161) and their Ensemble have been used in this paper to classify COVID-19, pneumoni{\ae} and healthy subjects using Chest X-Ray images. Multi-label classification was performed to predict multiple pathologies for each patient, if present. Foremost, the interpretability of each of the networks was thoroughly studied using local interpretability methods - occlusion, saliency, input X gradient, guided backpropagation, integrated gradients, and DeepLIFT, and using a global technique - neuron activation profiles. The mean Micro-F1 score of the models for COVID-19 classifications ranges from 0.66 to 0.875, and is 0.89 for the Ensemble of the network models. The qualitative results depicted the ResNets to be the most interpretable models. This research demonstrates the importance of using interpretability methods to compare different models before making the decision regarding the best-performing model.
Abstract（参考訳）: 新型コロナウイルス(covid-19)の流行は世界全体に衝撃を与え、さまざまな分野に挑戦している。感染拡大を制限する最も効果的な方法の1つは、感染した患者の早期かつ正確な診断である。 X線やCT(Computed Tomography)などの医用画像は、人工知能(AI)の可能性と相まって、診断プロセスにおいて医療スタッフを支援する上で重要な役割を担っている。そこで本研究では,5種類の深層学習モデル(ResNet18,ResNet34,InceptionV3,InceptionResNetV2,DenseNet161)とそれらのエンサンブルを用いて,ケストX線画像を用いた新型コロナウイルス,肺炎球菌,健常者の分類を行った。多発性病変の診断には多ラベル分類が有効であった。まず, 各ネットワークの解釈可能性について, 局所的解釈可能性, サリエンシ, 入力X勾配, ガイド付きバックプロパゲーション, 集積勾配, ディープLIFTを用いて徹底的に検討し, グローバルな手法であるニューロン活性化プロファイルを用いて検討した。新型コロナウイルスの分類モデルの平均Micro-F1スコアは0.66から0.875の範囲で、ネットワークモデルのアンサンブルは0.89である。定性的な結果はResNetが最も解釈可能なモデルであることを示している。本研究は、最適性能モデルを決定する前に、解釈可能性法を用いて異なるモデルを比較することの重要性を示す。

関連論文リスト

Robust and Interpretable COVID-19 Diagnosis on Chest X-ray Images using Adversarial Training [0.8287206589886881]
我々は、33,000以上の胸部X線画像(CXR)で21の畳み込みニューラルネットワーク(CNN)モデルを訓練し、健康、新型コロナウイルス、非新型コロナウイルスの肺炎CXRを分類した。得られたモデルは、それぞれ97.03%、97.97%、99.95%の3方向の分類精度、リコール、精度を達成した。
論文参考訳（メタデータ） (2023-11-23T23:40:01Z)
A Novel Implementation of Machine Learning for the Efficient, Explainable Diagnosis of COVID-19 from Chest CT [0.0]
本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。提案したモデルは0.927の総合精度と0.958の感度を得た。
論文参考訳（メタデータ） (2022-06-15T18:35:22Z)
In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文参考訳（メタデータ） (2021-04-06T02:01:43Z)
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)
COVID-19 identification from volumetric chest CT scans using a progressively resized 3D-CNN incorporating segmentation, augmentation, and class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文参考訳（メタデータ） (2021-02-11T18:16:18Z)
Efficient and Visualizable Convolutional Neural Networks for COVID-19 Classification Using Chest CT [0.0]
新型コロナウイルスは2020年12月4日現在、世界中で6500万人以上が感染している。ディープラーニングは有望な診断技術として登場した。本稿では,40種類の畳み込みニューラルネットワークアーキテクチャを新型コロナウイルスの診断のために評価・比較する。
論文参考訳（メタデータ） (2020-12-22T07:09:48Z)
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)
Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文参考訳（メタデータ） (2020-05-06T15:19:15Z)
Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray images using fine-tuned deep neural networks [4.294650528226683]
新型コロナウイルスは肺炎に似た呼吸器症候群である。科学者、研究者、医療専門家は、肺感染症の特定によって、新型コロナウイルスの迅速かつ自動化された診断に貢献している。本稿では,様々な最先端ディープラーニング手法における非バイアスの微調整学習(トランスファーラーニング)に対するランダムなオーバーサンプリングと重み付きクラス損失関数アプローチを提案する。
論文参考訳（メタデータ） (2020-04-23T10:24:34Z)
Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文参考訳（メタデータ） (2020-04-22T07:30:56Z)
Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images [46.844349956057776]
新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-04-12T16:24:59Z)

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。