論文の概要: RANDGAN: Randomized Generative Adversarial Network for Detection of COVID-19 in Chest X-ray

• arxiv url: http://arxiv.org/abs/2010.06418v1
• Date: Tue, 6 Oct 2020 15:58:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 06:30:41.447103
• Title: RANDGAN: Randomized Generative Adversarial Network for Detection of COVID-19 in Chest X-ray
• Title（参考訳）: RANDGAN : 胸部X線における新型コロナウイルス検出のためのランダムなジェネレーティブ・アドバイザリー・ネットワーク
• Authors: Saman Motamed, Patrik Rogalla, Farzad Khalvati
• Abstract要約: 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。
• 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 spread across the globe at an immense rate has left healthcare systems incapacitated to diagnose and test patients at the needed rate. Studies have shown promising results for detection of COVID-19 from viral bacterial pneumonia in chest X-rays. Automation of COVID-19 testing using medical images can speed up the testing process of patients where health care systems lack sufficient numbers of the reverse-transcription polymerase chain reaction (RT-PCR) tests. Supervised deep learning models such as convolutional neural networks (CNN) need enough labeled data for all classes to correctly learn the task of detection. Gathering labeled data is a cumbersome task and requires time and resources which could further strain health care systems and radiologists at the early stages of a pandemic such as COVID-19. In this study, we propose a randomized generative adversarial network (RANDGAN) that detects images of an unknown class (COVID-19) from known and labelled classes (Normal and Viral Pneumonia) without the need for labels and training data from the unknown class of images (COVID-19). We used the largest publicly available COVID-19 chest X-ray dataset, COVIDx, which is comprised of Normal, Pneumonia, and COVID-19 images from multiple public databases. In this work, we use transfer learning to segment the lungs in the COVIDx dataset. Next, we show why segmentation of the region of interest (lungs) is vital to correctly learn the task of classification, specifically in datasets that contain images from different resources as it is the case for the COVIDx dataset. Finally, we show improved results in detection of COVID-19 cases using our generative model (RANDGAN) compared to conventional generative adversarial networks (GANs) for anomaly detection in medical images, improving the area under the ROC curve from 0.71 to 0.77.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)の感染拡大に伴い、医療機関は患者を診断・検査する能力を失っている。 研究は、胸部x線中のウイルス性細菌性肺炎からcovid-19の検出に有望な結果を示している。 医療画像を用いた新型コロナウイルス(COVID-19)検査の自動化は、医療システムにRT-PCR(リバース転写ポリメラーゼ連鎖反応)テストの十分な数がない患者の検査プロセスを高速化することができる。 畳み込みニューラルネットワーク(CNN)のような改良されたディープラーニングモデルでは、検出のタスクを正しく学習するために、すべてのクラスに十分なラベル付きデータが必要である。 ラベル付きデータの収集は厄介な作業であり、新型コロナウイルス(COVID-19)などのパンデミックの初期段階において、医療システムや放射線科医をさらに緊張させる時間と資源を必要とする。 本研究では,未知のクラス (COVID-19) のイメージを未知のクラス (Normal と Viral Pneumonia) から検出し,未知のクラス (COVID-19) のラベルやトレーニングデータを必要とせず,ランダムに生成する敵ネットワーク (RANDGAN) を提案する。 このデータセットは、複数のパブリックデータベースから、正常、肺炎、およびCOVID-19イメージで構成されています。 本研究では、トランスファーラーニングを用いて、COVIDxデータセット内の肺をセグメント化する。 次に、関心領域(肺)のセグメンテーションが、分類のタスクを正しく学習するために欠かせない理由を示し、特に、COVIDxデータセットの場合のように、異なるリソースの画像を含むデータセットにおいて。 最後に, 医用画像の異常検出におけるGANと比較し, 生成モデル (RANDGAN) を用いた新型コロナウイルス検出の成績を改善し, ROC曲線の面積を0.71から0.77に改善した。

関連論文リスト

• 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)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Randomly Initialized Convolutional Neural Network for the Recognition of COVID-19 using X-ray Images [0.0]
  新型コロナウイルス(COVID-19)は世界的なパンデミックと宣言されている。 COVID-19を検出するための潜在的な解決策の1つは、ディープラーニング(DL)モデルを使用して胸部X線画像を分析することである。 本研究では,新型コロナウイルスの認識のための新しいCNNアーキテクチャを提案する。 提案したCNNモデルでは、それぞれ94%と99%の精度で、COVID-19データセットが強化されている。
  論文  参考訳（メタデータ） (2021-05-17T23:40:37Z)
• 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)
• 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)
• COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
  我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。 また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
  論文  参考訳（メタデータ） (2020-09-08T15:49:55Z)
• 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 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)
• Deep Learning for Screening COVID-19 using Chest X-Ray Images [0.2062593640149623]
  深層ニューラルネットワークを学習するためのドメイン拡張伝達学習(DETL)という新しい概念を提案する。 我々は、トレーニング済みの深部畳み込みニューラルネットワークを持つDETLを、関連する大きな胸部X線データセットに採用する。 胸部X線による新型コロナウイルスの診断の可能性を評価するため、5倍のクロスバリデーションを行う。
  論文  参考訳（メタデータ） (2020-04-22T11:41:50Z)
• Deep-COVID: Predicting COVID-19 From Chest X-Ray Images Using Deep Transfer Learning [5.174558376705871]
  新型コロナウイルス(COVID-19)のパンデミックは、世界中で150カ国以上で大流行している。 新型コロナウイルスと戦う上で重要なステップの1つは、感染した患者を十分に早期に検出する能力だ。 胸部X線画像から新型コロナウイルス患者を検出するための深層学習モデルの応用について検討した。
  論文  参考訳（メタデータ） (2020-04-20T15:09:14Z)
• CoroNet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images [0.0]
  CoroNetは、胸部X線画像からCOVID-19感染を自動的に検出するDeep Conceptional Neural Networkモデルである。 提案したモデルは全体の89.6%の精度を達成し、新型コロナウイルス患者の精度とリコール率は93%と98.2%である。
  論文  参考訳（メタデータ） (2020-04-10T07:46:07Z)

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。