論文の概要: COV-ELM classifier: An Extreme Learning Machine based identification of COVID-19 using Chest X-Ray Images

• arxiv url: http://arxiv.org/abs/2007.08637v6
• Date: Tue, 28 Sep 2021 05:31:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 22:57:42.733482
• Title: COV-ELM classifier: An Extreme Learning Machine based identification of COVID-19 using Chest X-Ray Images
• Title（参考訳）: COV-ELM分類器:胸部X線画像を用いた極端学習マシンによる新型コロナウイルスの同定
• Authors: Sheetal Rajpal, Manoj Agarwal, Ankit Rajpal, Navin Lakhyani, Arpita Saggar, Naveen Kumar
• Abstract要約: 本稿では,新型コロナウイルスの分類問題として,新型コロナウイルス,正常クラス,肺炎クラスを区別する3クラス分類問題を提案する。 提案モデルのマクロ平均F1スコアは0.95で、全体の感度は95%の信頼区間で0.94 pm 0.02であった。 このスーパーピクセルは、COVID-19および肺炎の臨床的に観察されるヒト肺の領域に対応することが観察された。
• 参考スコア（独自算出の注目度）: 1.6933326930404444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coronaviruses constitute a family of viruses that gives rise to respiratory diseases. As COVID-19 is highly contagious, early diagnosis of COVID-19 is crucial for an effective treatment strategy. However, the RT-PCR test which is considered to be a gold standard in the diagnosis of COVID-19 suffers from a high false-negative rate. Chest X-ray (CXR) image analysis has emerged as a feasible and effective diagnostic technique towards this objective. In this work, we propose the COVID-19 classification problem as a three-class classification problem to distinguish between COVID-19, normal, and pneumonia classes. We propose a three-stage framework, named COV-ELM. Stage one deals with preprocessing and transformation while stage two deals with feature extraction. These extracted features are passed as an input to the ELM at the third stage, resulting in the identification of COVID-19. The choice of ELM in this work has been motivated by its faster convergence, better generalization capability, and shorter training time in comparison to the conventional gradient-based learning algorithms. As bigger and diverse datasets become available, ELM can be quickly retrained as compared to its gradient-based competitor models. The proposed model achieved a macro average F1-score of 0.95 and the overall sensitivity of ${0.94 \pm 0.02} at a 95% confidence interval. When compared to state-of-the-art machine learning algorithms, the COV-ELM is found to outperform its competitors in this three-class classification scenario. Further, LIME has been integrated with the proposed COV-ELM model to generate annotated CXR images. The annotations are based on the superpixels that have contributed to distinguish between the different classes. It was observed that the superpixels correspond to the regions of the human lungs that are clinically observed in COVID-19 and Pneumonia cases.
• Abstract（参考訳）: コロナウイルスは呼吸器疾患を引き起こすウイルス群を構成する。 新型コロナウイルスは感染性の高いため、早期診断は効果的な治療戦略に不可欠である。 しかし、新型コロナウイルスの診断における金の基準とされるRT-PCR検査は、偽陰性率が高い。 胸部x線(cxr)画像解析はこの目的に向けて実現可能かつ効果的な診断技術として浮上している。 本研究では,新型コロナウイルス,正常クラス,肺炎クラスを区別する3クラス分類問題として,COVID-19分類問題を提案する。 我々はCOV-ELMという3段階のフレームワークを提案する。 第1段階は前処理と変換、第2段階は機能抽出を扱う。 これらの抽出された特徴は、第3段階でELMへの入力として受け継がれ、結果としてCOVID-19が同定される。 この研究におけるelmの選択は、従来の勾配ベースの学習アルゴリズムと比較して、収束の高速化、一般化能力の向上、トレーニング時間の短縮が動機となっている。 大規模で多様なデータセットが利用可能になると、elmはグラデーションベースの競合モデルと比較してすばやく再トレーニングできる。 提案モデルはマクロ平均f1-score 0.95 を達成し,95%信頼区間で${0.94 \pm 0.02} の感度を得た。 最先端の機械学習アルゴリズムと比較すると、COV-ELMは、この3つのクラス分類シナリオにおいてライバルより優れていることが分かる。 さらに、LIMEはCOV-ELMモデルと統合され、注釈付きCXR画像を生成する。 アノテーションは、異なるクラスを区別するのに寄与したスーパーピクセルに基づいている。 このスーパーピクセルは、COVID-19および肺炎の臨床的に観察されるヒト肺の領域に対応することが観察された。

関連論文リスト

• Auto-Lesion Segmentation with a Novel Intensity Dark Channel Prior for COVID-19 Detection [0.24578723416255752]
  本研究は,他の肺疾患との鑑別を目的としたCTベースの放射線治療フレームワークを開発した。 画像は、新型コロナウイルス(COVID-19)、非新型コロナウイルス(non-COVID-19)、または正常の3つのクラスに分類される。 最高の性能分類モデルであるResidual Neural Network(Resnet-50)は、平均精度、精度、リコール、F1スコアが98.8%、99%、98%、98%に達した。
  論文  参考訳（メタデータ） (2023-09-22T06:09:48Z)
• 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)
• Classification of COVID-19 in Chest X-ray Images Using Fusion of Deep Features and LightGBM [0.0]
  本稿では,本論文で報告されている他の手法よりも高速かつ高精度な新しい手法を提案する。 提案手法はDenseNet169とMobileNet Deep Neural Networksを組み合わせて患者のX線画像の特徴を抽出する。 この方法は2クラス(COVID-19、Healthy)と複数クラス(COVID-19、Healthy、Pneumonia)で98.54%と91.11%の精度を達成した。
  論文  参考訳（メタデータ） (2022-06-09T14:56:24Z)
• A novel framework based on deep learning and ANOVA feature selection method for diagnosis of COVID-19 cases from chest X-ray Images [0.0]
  新型コロナウイルスは武漢で最初に確認され、急速に世界中に広がった。 最もアクセスしやすい方法はRT-PCRである。 RT-PCRと比較すると,胸部CTと胸部X線像が優れた結果を示した。 DenseNet169はX線画像から特徴を抽出するために使用された。
  論文  参考訳（メタデータ） (2021-09-30T16:10:31Z)
• COVID-19 Detection from Chest X-ray Images using Imprinted Weights Approach [67.05664774727208]
  胸部X線撮影は、COVID-19の代替スクリーニング方法です。 コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。 この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
  論文  参考訳（メタデータ） (2021-05-04T19:01:40Z)
• Decision and Feature Level Fusion of Deep Features Extracted from Public COVID-19 Data-sets [6.445605125467574]
  新型コロナウイルスの早期診断において、胸部X線撮影の使用が増加している。 畳み込みニューラルネットワーク(CNN)を用いたX線画像のコンピュータ支援診断システムを提案する。 実験結果から,提案手法は新型コロナウイルス検出性能が高かったことが示唆された。
  論文  参考訳（メタデータ） (2020-11-17T09:36:21Z)
• 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)
• 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)
• 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。