論文の概要: Improving performance of CNN to predict likelihood of COVID-19 using
chest X-ray images with preprocessing algorithms
- arxiv url: http://arxiv.org/abs/2006.12229v1
- Date: Thu, 11 Jun 2020 16:45:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 14:33:59.846660
- Title: Improving performance of CNN to predict likelihood of COVID-19 using
chest X-ray images with preprocessing algorithms
- Title（参考訳）: プレプロセッシングアルゴリズムを用いた胸部X線画像によるCNNの性能向上によるCOVID-19の予測
- Authors: Morteza Heidari (1), Seyedehnafiseh Mirniaharikandehei (1), Abolfazl
Zargari Khuzani (2), Gopichandh Danala (1), Yuchen Qiu (1), Bin Zheng (1)
((1) School of Electrical and Computer Engineering, University of Oklahoma,
Norman USA, (2) Department of Electrical and Computer Engineering, University
of California Santa Cruz, Santa Cruz, USA)
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.3180570080674292
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As the rapid spread of coronavirus disease (COVID-19) worldwide, chest X-ray
radiography has also been used to detect COVID-19 infected pneumonia and assess
its severity or monitor its prognosis in the hospitals due to its low cost, low
radiation dose, and wide accessibility. However, how to more accurately and
efficiently detect COVID-19 infected pneumonia and distinguish it from other
community-acquired pneumonia remains a challenge. In order to address this
challenge, we in this study develop and test a new computer-aided diagnosis
(CAD) scheme. It includes several image pre-processing algorithms to remove
diaphragms, normalize image contrast-to-noise ratio, and generate three input
images, then links to a transfer learning based convolutional neural network (a
VGG16 based CNN model) to classify chest X-ray images into three classes of
COVID-19 infected pneumonia, other community-acquired pneumonia and normal
(non-pneumonia) cases. To this purpose, a publicly available dataset of 8,474
chest X-ray images is used, which includes 415 confirmed COVID-19 infected
pneumonia, 5,179 community-acquired pneumonia, and 2,880 non-pneumonia cases.
The dataset is divided into two subsets with 90% and 10% of images in each
subset to train and test the CNN-based CAD scheme. The testing results achieve
94.0% of overall accuracy in classifying three classes and 98.6% accuracy in
detecting Covid-19 infected cases. Thus, the study demonstrates the feasibility
of developing a CAD scheme of chest X-ray images and providing radiologists
useful decision-making supporting tools in detecting and diagnosis of COVID-19
infected pneumonia.
- Abstract（参考訳）: 世界中の新型コロナウイルス(COVID-19)の急激な感染拡大に伴い、胸部X線撮影は、新型コロナウイルス感染症の検出や重症度の評価や、低コスト、低線量、広範囲のアクセス性による病院での予後の監視にも用いられている。
しかし、covid-19感染した肺炎をより正確かつ効率的に検出し、他のコミュニティが獲得した肺炎と区別する方法は依然として課題である。
本研究は,この課題に対処するために,新しいコンピュータ支援診断法(CAD)を開発し,検証する。
横隔膜を除去し、画像コントラストとノイズ比を正規化し、3つの入力画像を生成し、その後、移行学習に基づく畳み込みニューラルネットワーク(VGG16ベースのCNNモデル)にリンクして、胸部X線画像をCOVID-19感染性肺炎、その他の地域性肺炎および正常(非肺炎)の3つのクラスに分類する。
この目的のために、新型コロナウイルス感染肺炎415例、地域肺炎5,179例、非肺炎2,880例を含む8,474例の胸部X線画像が公開されている。
データセットは、CNNベースのCADスキームをトレーニングおよびテストするために、各サブセットの90%と10%のイメージを持つ2つのサブセットに分割される。
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%、コビッドウイルス感染症を検出する際の98.6%の精度を達成した。
そこで本研究では、胸部X線画像のCADスキームの開発と、新型コロナウイルス感染症の検出・診断に有用な意思決定支援ツールの提供の可能性を示した。
関連論文リスト
- 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) - CCBlock: An Effective Use of Deep Learning for Automatic Diagnosis of
COVID-19 Using X-Ray Images [0.0]
新型コロナウイルス(COVID-19)のパンデミックは、世界の人々の健康と健康に劇的に影響している。
新型コロナウイルスの感染拡大を根絶するためには、新型コロナウイルスの検出・診断支援方法を開発する必要がある。
畳み込みニューラルネットワーク(CNN)に基づいて、自動検出システムは、新型コロナウイルス患者をラジオグラフィーで診断する有望な結果を示している。
論文 参考訳（メタデータ） (2020-09-21T19:20:01Z) - PDCOVIDNet: A Parallel-Dilated Convolutional Neural Network Architecture
for Detecting COVID-19 from Chest X-Ray Images [1.4824891788575418]
新型コロナウイルスのパンデミックは、世界保健システムの繁栄を著しく損なわれ続けている。
胸部X線画像による放射線学的評価は,重要なスクリーニング技術の一つである。
胸部X線画像を用いた並列拡散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システムを提案する。
論文 参考訳（メタデータ） (2020-07-29T12:28:16Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Stacked Convolutional Neural Network for Diagnosis of COVID-19 Disease
from X-ray Images [0.0]
胸部X線画像からCOVID-19疾患の自動診断のための新しい畳み込み畳み込みニューラルネットワークモデルを設計する。
提案したCNNモデルは、異なるCNNサブモデルの識別能力を組み合わせて、胸部X線画像をCOVID-19, Normal, Pneumoniaクラスに分類する。
提案した積み重ねCNNの精度は92.74%、感度は93.33%、PPVは92.13%、F1スコアは0.93である。
論文 参考訳（メタデータ） (2020-06-22T17:55:16Z) - 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) - 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) - 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) - Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware
Anomaly Detection [86.81773672627406]
短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。
胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。
ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
論文 参考訳（メタデータ） (2020-03-27T11:32:18Z)
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。