論文の概要: An Efficient Mixture of Deep and Machine Learning Models for COVID-19 and Tuberculosis Detection Using X-Ray Images in Resource Limited Settings

• arxiv url: http://arxiv.org/abs/2007.08223v1
• Date: Thu, 16 Jul 2020 09:49:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 22:59:52.927325
• Title: An Efficient Mixture of Deep and Machine Learning Models for COVID-19 and Tuberculosis Detection Using X-Ray Images in Resource Limited Settings
• Title（参考訳）: リソース限定設定におけるX線画像を用いた新型コロナウイルス・結核検出のための深層学習モデルと機械学習モデルの効率的な混合
• Authors: Ali H. Al-Timemy, Rami N. Khushaba, Zahraa M. Mosa and Javier Escudero
• Abstract要約: 最前線の臨床医は、症状のある患者が本当に新型コロナウイルスに感染しているかどうかを迅速に判断する必要がある。 この作業の難しさは、バイオテクノロジーテストにアクセスできない可能性のある低い資源設定で悪化する。 胸部X線画像から深部特徴(DF)を抽出し,その後の機械学習手法を用いて分類する。
• 参考スコア（独自算出の注目度）: 2.408714894793063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinicians in the frontline need to assess quickly whether a patient with symptoms indeed has COVID-19 or not. The difficulty of this task is exacerbated in low resource settings that may not have access to biotechnology tests. Furthermore, Tuberculosis (TB) remains a major health problem in several low- and middle-income countries and its common symptoms include fever, cough and tiredness, similarly to COVID-19. In order to help in the detection of COVID-19, we propose the extraction of deep features (DF) from chest X-ray images, a technology available in most hospitals, and their subsequent classification using machine learning methods that do not require large computational resources. We compiled a five-class dataset of X-ray chest images including a balanced number of COVID-19, viral pneumonia, bacterial pneumonia, TB, and healthy cases. We compared the performance of pipelines combining 14 individual state-of-the-art pre-trained deep networks for DF extraction with traditional machine learning classifiers. A pipeline consisting of ResNet-50 for DF computation and ensemble of subspace discriminant classifier was the best performer in the classification of the five classes, achieving a detection accuracy of 91.6+ 2.6% (accuracy + 95% Confidence Interval). Furthermore, the same pipeline achieved accuracies of 98.6+1.4% and 99.9+0.5% in simpler three-class and two-class classification problems focused on distinguishing COVID-19, TB and healthy cases; and COVID-19 and healthy images, respectively. The pipeline was computationally efficient requiring just 0.19 second to extract DF per X-ray image and 2 minutes for training a traditional classifier with more than 2000 images on a CPU machine. The results suggest the potential benefits of using our pipeline in the detection of COVID-19, particularly in resource-limited settings and it can run with limited computational resources.
• Abstract（参考訳）: 臨床医は、症状のある患者が本当に新型コロナウイルス(covid-19)を持っているかどうかを迅速に評価する必要がある。 この作業の難しさは、バイオテクノロジーテストにアクセスできない可能性のある低い資源設定で悪化する。 さらに、結核(TB)は、いくつかの低所得国や中所得国で主要な健康問題であり、その一般的な症状は、熱、うっ血、疲労などである。 新型コロナウイルスの検出を支援するため,胸部X線画像から深部特徴(DF)を抽出する手法を提案する。 新型コロナウイルス, ウイルス性肺炎, 細菌性肺炎, TB, 健常例を含む5種類のX線胸部画像のデータセットを収集した。 従来の機械学習分類器とDF抽出のための訓練済みのディープネットワークを14個組み合わせたパイプラインの性能を比較した。 df計算のためのresnet-50とサブスペース判別器のアンサンブルからなるパイプラインは5つのクラスを分類し、検出精度は91.6+2.6%(精度+95%信頼区間)に達した。 さらに、同じパイプラインは、より単純な3クラスと2クラスの分類問題で98.6+1.4%と99.9+0.5%の精度を達成した。 パイプラインの効率は0.19秒でX線画像1枚につきDFを抽出でき、2分でCPUマシン上で2000枚以上の画像を持つ従来の分類器を訓練できる。 結果は、特にリソース制限の設定で、私たちのパイプラインを使用して、限られた計算リソースで実行できる可能性を示している。

関連論文リスト

• A Deep Learning Approach for the Detection of COVID-19 from Chest X-Ray Images using Convolutional Neural Networks [0.0]
  COVID-19(コロナウイルス)は、重症急性呼吸器症候群ウイルス(SARS-CoV-2)によるパンデミックである。 2019年12月中旬、中国武漢の湖北省で初感染が確認された。 全世界で7550万件以上が確認され、167万件以上が死亡している。
  論文  参考訳（メタデータ） (2022-01-24T21:12:25Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
  胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。 特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。 我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
  論文  参考訳（メタデータ） (2020-05-06T09:56:51Z)
• Automatic Detection of Coronavirus Disease (COVID-19) in X-ray and CT Images: A Machine Learning-Based Approach [2.488407849738164]
  新型コロナウイルスは感染性が高く、臨床的に承認された抗ウイルス薬やワクチンが使用できない病原体である。 現在、カナダでは新型コロナウイルスの初診は推奨されていない。 本研究では,新型コロナウイルスの自動分類のためのディープラーニングに基づく特徴抽出フレームワークの比較を行った。
  論文  参考訳（メタデータ） (2020-04-22T15:34:45Z)

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。