論文の概要: Generating Realistic COVID19 X-rays with a Mean Teacher + Transfer Learning GAN

• arxiv url: http://arxiv.org/abs/2009.12478v1
• Date: Sat, 26 Sep 2020 00:05:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 08:46:51.304446
• Title: Generating Realistic COVID19 X-rays with a Mean Teacher + Transfer Learning GAN
• Title（参考訳）: 平均教師+移動学習GANを用いたリアルなCOVID19X線生成
• Authors: Sumeet Menon (1), Joshua Galita (1), David Chapman (1), Aryya Gangopadhyay (1), Jayalakshmi Mangalagiri (1), Phuong Nguyen (1), Yaacov Yesha (1), Yelena Yesha (1), Babak Saboury (1 and 2), Michael Morris (1, 2, and 3) ((1) University of Maryland, Baltimore County, (2) National Institutes of Health Clinical Center, (3) Networking Health)
• Abstract要約: 本稿では,新型コロナウイルスの胸部X線像を高品質に生成するMTT-GAN(Mean Teacher + Transfer GAN)について紹介する。 より正確なGANを作成するために、我々はKaggle Pneumonia X-Rayデータセットからの転送学習を採用している。 解析の結果,MTT-GAN はベースライン GAN よりも優れたX線画像を生成し,実際のX線と視覚的に比較できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: COVID-19 is a novel infectious disease responsible for over 800K deaths worldwide as of August 2020. The need for rapid testing is a high priority and alternative testing strategies including X-ray image classification are a promising area of research. However, at present, public datasets for COVID19 x-ray images have low data volumes, making it challenging to develop accurate image classifiers. Several recent papers have made use of Generative Adversarial Networks (GANs) in order to increase the training data volumes. But realistic synthetic COVID19 X-rays remain challenging to generate. We present a novel Mean Teacher + Transfer GAN (MTT-GAN) that generates COVID19 chest X-ray images of high quality. In order to create a more accurate GAN, we employ transfer learning from the Kaggle Pneumonia X-Ray dataset, a highly relevant data source orders of magnitude larger than public COVID19 datasets. Furthermore, we employ the Mean Teacher algorithm as a constraint to improve stability of training. Our qualitative analysis shows that the MTT-GAN generates X-ray images that are greatly superior to a baseline GAN and visually comparable to real X-rays. Although board-certified radiologists can distinguish MTT-GAN fakes from real COVID19 X-rays. Quantitative analysis shows that MTT-GAN greatly improves the accuracy of both a binary COVID19 classifier as well as a multi-class Pneumonia classifier as compared to a baseline GAN. Our classification accuracy is favourable as compared to recently reported results in the literature for similar binary and multi-class COVID19 screening tasks.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)は、2020年8月現在、世界中で800万以上の死者を負う新しい感染症である。 迅速なテストの必要性は高い優先度であり、x線画像分類を含む代替テスト戦略は有望な研究分野である。 しかし、現在、COVID19のX線画像の公開データセットはデータ量が少ないため、正確な画像分類器の開発が困難である。 近年,学習データ量を増やすためにGAN(Generative Adversarial Networks)の利用が報告されている。 しかし、現実的な合成X線は依然として生成が難しい。 本稿では,高品質のCOVID-19胸部X線画像を生成するMTT-GAN(Mean Teacher + Transfer GAN)を提案する。 より正確なGANを作成するために、私たちはKaggle Pneumonia X-Rayデータセットからの移行学習を採用しています。 さらに,トレーニングの安定性向上のための制約として,平均教師アルゴリズムを用いる。 MTT-GANは,ベースラインGANよりも優れたX線画像を生成し,実際のX線と視覚的に比較できることを示す。 MTT-GANの偽物と実際の新型コロナウイルスのX線を識別できる。 MTT-GANは、基準GANと比較して、バイナリCOVID19分類器とマルチクラス肺炎分類器の両方の精度を大幅に向上させる。 分類精度は,最近報告された2型および多型covid-19スクリーニング課題の文献と比較すると良好である。

関連論文リスト

• 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)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• 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)
• Twin Augmented Architectures for Robust Classification of COVID-19 Chest X-Ray Images [6.127080932156285]
  COVID-19のゴールドスタンダードはRT-PCRであり、テスト施設は限られており、常に最適に配布されるわけではありません。 データセット選択の一般的な選択は、データの均一性に悩まされ、誤った結果をもたらすことを示す。 我々は、一般的な事前学習深層学習モデルを修正するために、ツイン拡張と呼ばれる最先端技術を導入する。
  論文  参考訳（メタデータ） (2021-02-16T06:50:17Z)
• Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19 Using Convolutional Neural Network [2.752817022620644]
  最近の研究で、新型コロナウイルス患者のX線写真には、新型コロナウイルスに関する情報が含まれていることが示されている。 胸部X線(CXR)は、高速な撮像時間、広範囲の可用性、低コスト、可搬性から注目されている。 本研究では、CXR画像から新型コロナウイルスの分類を改善するために、新しい多機能畳み込みニューラルネットワーク(CNN)アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2020-11-06T20:26:26Z)
• 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)
• 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)
• Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
  我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。 対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
  論文  参考訳（メタデータ） (2020-08-04T07:41:15Z)
• Data Augmentation using Generative Adversarial Networks (GANs) for GAN-based Detection of Pneumonia and COVID-19 in Chest X-ray Images [0.0]
  肺炎およびCOVID-19の半監督的検出のための胸部X線増強のための新しいGANアーキテクチャを提案する。 提案したGANは, 肺炎, COVID-19の胸部X線検査において, データを効果的に増強し, 疾患の分類精度を向上させるのに有用である。
  論文  参考訳（メタデータ） (2020-06-05T18:30:20Z)
• 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)

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。