論文の概要: PneumoXttention: A CNN compensating for Human Fallibility when Detecting Pneumonia through CXR images with Attention

• arxiv url: http://arxiv.org/abs/2008.04907v1
• Date: Tue, 11 Aug 2020 05:11:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 10:55:01.715200
• Title: PneumoXttention: A CNN compensating for Human Fallibility when Detecting Pneumonia through CXR images with Attention
• Title（参考訳）: 気道Xttention:CXR画像による肺炎検出時の人体機能低下を補償するCNN
• Authors: Sanskriti Singh
• Abstract要約: CXR画像から肺炎を検出するアルゴリズムを開発した。 私のアルゴリズムであるPneumoXttentionは、RSNAデータセットに基づいてトレーニングされた2つの13層畳み込みニューラルネットワークのアンサンブルです。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automatic Chest Radiograph X-ray (CXR) interpretation by machines is an important research topic of Artificial Intelligence. As part of my journey through the California Science Fair, I have developed an algorithm that can detect pneumonia from a CXR image to compensate for human fallibility. My algorithm, PneumoXttention, is an ensemble of two 13 layer convolutional neural network trained on the RSNA dataset, a dataset provided by the Radiological Society of North America, containing 26,684 frontal X-ray images split into the categories of pneumonia and no pneumonia. The dataset was annotated by many professional radiologists in North America. It achieved an impressive F1 score, 0.82, on the test set (20% random split of RSNA dataset) and completely compensated Human Radiologists on a random set of 25 test images drawn from RSNA and NIH. I don't have a direct comparison but Stanford's Chexnet has a F1 score of 0.435 on the NIH dataset for category Pneumonia.
• Abstract（参考訳）: 機械によるCXR(Chest Radiograph X-ray)の自動解釈は人工知能の重要な研究課題である。 カリフォルニア・サイエンス・フェア(california science fair)での旅の中で、私はcxr画像から肺炎を検出するアルゴリズムを開発しました。 私のアルゴリズムであるPneumoXttentionは、北米放射線学会(Radiological Society of North America)が提供するデータセットRSNAデータセットに基づいてトレーニングされた2つの13層畳み込みニューラルネットワークのアンサンブルです。 このデータセットは北米の多くのプロの放射線学者によって注釈付けされた。 テストセット(rsnaデータセットの20%ランダムスプリット)で印象的なf1スコア 0.82を達成し、rsnaとnihから引き出された25のテスト画像のランダムセットで完全に人間放射線科医を補償した。 直接比較はできないが、スタンフォードのChexnetは、カテゴリーPneumoniaのNIHデータセットで0.435点のF1スコアを持っている。

関連論文リスト

• Shadow and Light: Digitally Reconstructed Radiographs for Disease Classification [8.192975020366777]
  DRR-RATEは、21,304人のユニークな患者から50,188個の前方デジタル再構成ラジオグラフィー(DRR)から構成される。 各画像は、対応する放射線学テキストレポートと18の病理学クラスのためのバイナリラベルとがペアリングされる。 我々は,既存の大規模胸部X線リソース,特にCheXpertデータセットとCheXnetモデルと併用して,DRR-RATEの適用性を示す。
  論文  参考訳（メタデータ） (2024-06-06T02:19:18Z)
• Pneumonia Detection on chest X-ray images Using Ensemble of Deep Convolutional Neural Networks [7.232767871756102]
  本稿では, 胸部X線画像の診断過程を簡略化するために, EL(Ensemble Learning) と呼ばれるコンピュータ支援型肺炎分類法を提案する。 提案手法は,CNNモデルをスクラッチからトレーニングする代わりに,近年,多くの医療タスクのパフォーマンス向上に採用されているCNNモデルである畳み込みニューラルネットワーク(Convolutional Neural Network, CNN)モデルに基づく。 提案したELアプローチは他の最先端手法よりも優れており、テスト段階では93.91%、F1スコアは93.88%の精度が得られる。
  論文  参考訳（メタデータ） (2023-12-13T08:28:21Z)
• COVIDx CXR-3: A Large-Scale, Open-Source Benchmark Dataset of Chest X-ray Images for Computer-Aided COVID-19 Diagnostics [69.55060769611916]
  RT-PCR検査の補助的スクリーニング戦略としての胸部X線撮影(CXR)の利用が増加している。 CXRイメージングに基づく新型コロナウイルススクリーニングのための多くの視覚知覚モデルが提案されている。 我々は、COVID-19コンピュータビジョン研究を支援するために、CXR画像の大規模なベンチマークデータセットであるCOVIDx CXR-3を紹介する。
  論文  参考訳（メタデータ） (2022-06-08T04:39:44Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• 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)
• Fused Deep Convolutional Neural Network for Precision Diagnosis of COVID-19 Using Chest X-Ray Images [0.0]
  複数のニューラルネットワークを微調整することで、新型コロナウイルスと正常者の胸部X線スキャンを正確に分類するコンピュータ支援診断(CAD)を提案する。 k倍のクロスバリデーションとベージングアンサンブルを用いることで、99.7%の精度と100%の感度が得られる。
  論文  参考訳（メタデータ） (2020-09-15T02:27:20Z)
• The 2ST-UNet for Pneumothorax Segmentation in Chest X-Rays using ResNet34 as a Backbone for U-Net [4.639643690208542]
  本研究では2段階トレーニングシステム (2ST-UNet) を提案する。 まず、トレーニングされたモデルの重みをロードする前に、低い解像度でネットワークをトレーニングし、より高い解像度でネットワークを再トレーニングします。 実験の結果,2段階トレーニングがネットワーク収束の高速化につながることがわかった。
  論文  参考訳（メタデータ） (2020-09-06T19:39:05Z)
• Multi-Task Driven Explainable Diagnosis of COVID-19 using Chest X-ray Images [61.24431480245932]
  COVID-19 Multi-Task Networkは、新型コロナウイルススクリーニングのためのエンドツーエンドネットワークである。 我々は,ChestXray-14,CheXpertおよび統合型COVID-19データセットから採取した9000個の前頭胸部X線写真から肺領域を手動で注釈した。 このデータベースは研究コミュニティに公開されます。
  論文  参考訳（メタデータ） (2020-08-03T12:52:23Z)
• Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
  肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。 コンピュータ支援診断システムは診断精度を向上させる可能性を示した。 本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
  論文  参考訳（メタデータ） (2020-05-28T10:54:34Z)
• 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)
• Automated Methods for Detection and Classification Pneumonia based on X-Ray Images Using Deep Learning [0.0]
  Resnet50, MobileNet_V2, Inception_Resnet_V2の微調整版では, トレーニングや検証精度の向上率(精度の96%以上)で高い良好な性能を示した。 CNN、Xception、VGG16、VGG19、Inception_V3、DenseNet201とは異なり、性能は低い(84%以上の精度)。
  論文  参考訳（メタデータ） (2020-03-31T16:48:27Z)

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。