論文の概要: 4S-DT: Self Supervised Super Sample Decomposition for Transfer learning
with application to COVID-19 detection
- arxiv url: http://arxiv.org/abs/2007.11450v2
- Date: Tue, 15 Sep 2020 17:29:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 21:50:13.706581
- Title: 4S-DT: Self Supervised Super Sample Decomposition for Transfer learning
with application to COVID-19 detection
- Title（参考訳）: 4S-DT:トランスファー学習のための自己監督型スーパーサンプル分解と新型コロナウイルス検出への応用
- Authors: Asmaa Abbas, Mohammed M. Abdelsamea, and Mohamed Gaber
- Abstract要約: 我々は、移動学習モデルのための自己監督超サンプル分解と呼ばれる、新しい深層畳み込みニューラルネットワークを提案する。
4S-DTは,大規模画像認識タスクから特定の胸部X線画像分類タスクへの粗大な伝達学習を促進する。
本研究の主な貢献は,胸部X線像の超解像による自己監督学習機構である。
- 参考スコア（独自算出の注目度）: 3.957174470017176
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Due to the high availability of large-scale annotated image datasets,
knowledge transfer from pre-trained models showed outstanding performance in
medical image classification. However, building a robust image classification
model for datasets with data irregularity or imbalanced classes can be a very
challenging task, especially in the medical imaging domain. In this paper, we
propose a novel deep convolutional neural network, we called Self Supervised
Super Sample Decomposition for Transfer learning (4S-DT) model. 4S-DT
encourages a coarse-to-fine transfer learning from large-scale image
recognition tasks to a specific chest X-ray image classification task using a
generic self-supervised sample decomposition approach. Our main contribution is
a novel self-supervised learning mechanism guided by a super sample
decomposition of unlabelled chest X-ray images. 4S-DT helps in improving the
robustness of knowledge transformation via a downstream learning strategy with
a class-decomposition layer to simplify the local structure of the data. 4S-DT
can deal with any irregularities in the image dataset by investigating its
class boundaries using a downstream class-decomposition mechanism. We used
50,000 unlabelled chest X-ray images to achieve our coarse-to-fine transfer
learning with an application to COVID-19 detection, as an exemplar. 4S-DT has
achieved a high accuracy of 99.8% (95% CI: 99.44%, 99.98%) in the detection of
COVID-19 cases on a large dataset and an accuracy of 97.54% (95%$ CI: 96.22%,
98.91%) on an extended test set enriched by augmented images of a small
dataset, out of which all real COVID-19 cases were detected, which was the
highest accuracy obtained when compared to other methods.
- Abstract（参考訳）: 大規模アノテート画像データセットの高可用性のため,事前学習モデルからの知識伝達は医用画像分類において優れた性能を示した。
しかし、データ不規則や不均衡なクラスを持つデータセットに対する堅牢な画像分類モデルを構築することは、特に医療画像領域において非常に難しい課題である。
本稿では,新しい深層畳み込みニューラルネットワークであるSelf Supervised Super Sample Decomposition for Transfer Learning (4S-DT)モデルを提案する。
4S-DTは,大規模画像認識タスクから胸部X線画像分類タスクへの粗大な伝達学習を,汎用的な自己監督型サンプル分解手法を用いて促進する。
本研究の主な貢献は,胸部X線像の超解像による自己監督学習機構である。
4s-dtは,クラス分解層を用いた下流学習戦略による知識変換の堅牢性向上を支援し,データの局所構造を簡素化する。
4S-DTは、下流のクラス分解機構を使用して、そのクラス境界を調べることで、イメージデータセットの異常に対処できる。
約5万枚の胸部x線画像を用いて、新型コロナウイルス(covid-19)検出への応用を例に挙げた。
4S-DTの精度は99.8%(95% CI: 99.44%, 99.98%)で、大規模なデータセット上でのCOVID-19感染者の検出には97.54%(95%$ CI: 96.22%, 98.91%)の精度が達成されている。
関連論文リスト
- A Hybrid Approach for COVID-19 Detection: Combining Wasserstein GAN with Transfer Learning [0.0]
我々は、後にディープラーニングモデルに入力された画像を合成して、COVID-19、ノーマル、ウイルス肺炎の画像の分類を行うGANベースのアプローチを提案する。
この拡張データセットを使用して、VGG-16、ResNet-50、GoogLeNet、MNASTの4つの提案されたディープラーニングモデルをトレーニングする。
VGG-16は4つの計画の中で99.17%の精度を達成した。
論文 参考訳（メタデータ） (2024-11-10T09:09:41Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Detection of COVID19 in Chest X-Ray Images Using Transfer Learning [0.0]
本稿では,VGG-16とVGG-19という,最もよく知られた2つのVGGNetアーキテクチャを用いたトランスファーラーニングの概念について検討する。
我々は,複数クラスとバイナリの分類問題において,正のCovid-19インスタンスを識別するために,提案システムの性能を評価するために2つの異なるデータセットを生成した。
論文 参考訳（メタデータ） (2023-04-09T05:02:04Z) - COVID-19 Detection Using Transfer Learning Approach from Computed
Tomography Images [0.0]
我々は最近,CT(CT)画像データベースを用いた移動学習手法を提案する。
具体的には、新型コロナウイルス検出のための改良型Xceptionモデルの有効性について検討する。
その結果、検証サブセット上での精度、精度、リコール、マクロF1スコアにおけるメソッドの優位性を明らかにした。
論文 参考訳（メタデータ） (2022-07-01T08:22:00Z) - 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) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳（メタデータ） (2021-11-16T15:03:42Z) - 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) - A novel multiple instance learning framework for COVID-19 severity
assessment via data augmentation and self-supervised learning [64.90342559393275]
新型コロナウイルスの重症度を迅速かつ正確に評価する方法は、世界中の何百万人もの人々がパンデミックに苦しんでいる場合に必要不可欠な問題だ。
CT画像による新型コロナウイルスの重症度自動評価を妨害する可能性のある、弱いアノテーションと不十分なデータという2つの問題があることを観察する。
平均精度は95.8%で、感度は93.6%、特異性は96.4%で、前作より優れていた。
論文 参考訳（メタデータ） (2021-02-07T16:30:18Z) - 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) - 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) - Classification of COVID-19 in chest X-ray images using DeTraC deep
convolutional neural network [6.381149074212898]
胸部X線は、新型コロナウイルスの診断に重要な役割を果たす最初のイメージング技術である。
大規模な注釈付き画像データセットの高可用性のため、画像認識と分類のために畳み込みニューラルネットワーク(CNN)を使用して大きな成功を収めている。
トランスファーラーニングのおかげで、汎用オブジェクト認識タスクからドメイン固有のタスクに知識を移すことで、有望なソリューションを提供することができる。
論文 参考訳（メタデータ） (2020-03-26T15:18:45Z)
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。