論文の概要: Pinball-OCSVM for early-stage COVID-19 diagnosis with limited
posteroanterior chest X-ray images
- arxiv url: http://arxiv.org/abs/2010.08115v2
- Date: Sat, 5 Jun 2021 06:32:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 20:58:22.153939
- Title: Pinball-OCSVM for early-stage COVID-19 diagnosis with limited
posteroanterior chest X-ray images
- Title（参考訳）: Pinball-OCSVMによる後部胸部X線像の早期診断
- Authors: Sanjay Kumar Sonbhadra, Sonali Agarwal and P. Nagabhushan
- Abstract要約: 本研究は、新型コロナウイルス陽性のCXRサンプルを限定した状態で動作可能な、ピンボール損失関数に基づく1クラスサポートベクターマシン(PB-OCSVM)を提案する。
提案モデルの性能は従来のOCSVMや既存のディープラーニングモデルと比較し,実験結果から,提案モデルが最先端手法よりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 3.4935179780034247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The infection of respiratory coronavirus disease 2019 (COVID-19) starts with
the upper respiratory tract and as the virus grows, the infection can progress
to lungs and develop pneumonia. The conventional way of COVID-19 diagnosis is
reverse transcription polymerase chain reaction (RT-PCR), which is less
sensitive during early stages; especially if the patient is asymptomatic, which
may further cause more severe pneumonia. In this context, several deep learning
models have been proposed to identify pulmonary infections using publicly
available chest X-ray (CXR) image datasets for early diagnosis, better
treatment and quick cure. In these datasets, presence of less number of
COVID-19 positive samples compared to other classes (normal, pneumonia and
Tuberculosis) raises the challenge for unbiased learning of deep learning
models. All deep learning models opted class balancing techniques to solve this
issue; which however should be avoided in any medical diagnosis process.
Moreover, the deep learning models are also data hungry and need massive
computation resources. Therefore for quicker diagnosis, this research proposes
a novel pinball loss function based one-class support vector machine
(PB-OCSVM), that can work in presence of limited COVID-19 positive CXR samples
with objectives to maximize the learning efficiency and to minimize the false
predictions. The performance of the proposed model is compared with
conventional OCSVM and existing deep learning models, and the experimental
results prove that the proposed model outperformed over state-of-the-art
methods. To validate the robustness of the proposed model, experiments are also
performed with noisy CXR images and UCI benchmark datasets.
- Abstract（参考訳）: 新型コロナウイルス感染症2019(COVID-19)の感染は上気道から始まり、ウイルスが増殖すると肺に進行し肺炎を発症する可能性がある。
従来の新型コロナウイルスの診断方法は、逆転写ポリメラーゼ連鎖反応(RT-PCR)であり、早期に感受性が低下している。
このような状況下では,胸部X線画像データセットを用いて肺感染症の早期診断,治療,早期治療を行うための深層学習モデルが提案されている。
これらのデータセットでは、新型コロナウイルス陽性サンプルが他のクラス(正常、肺炎、結核)に比べて少ないことが、ディープラーニングモデルの偏りのない学習の課題となっている。
すべてのディープラーニングモデルは、この問題を解決するためにクラスバランシング技術を選択したが、医療診断プロセスでは避けるべきである。
さらに、ディープラーニングモデルもデータ空腹であり、膨大な計算リソースが必要です。
そこで本研究では,学習効率の最大化と誤予測の最小化を目的として,限定的な新型コロナウイルス陽性CXRサンプルの存在下で動作可能な,ピンボール損失関数に基づく一級サポートベクター(PB-OCSVM)を提案する。
提案モデルの性能を従来のocsvmおよび既存のディープラーニングモデルと比較し,提案モデルが最先端手法よりも優れていることを実験的に証明した。
提案モデルのロバスト性を検証するため,ノイズの多いCXR画像とUCIベンチマークデータセットを用いて実験を行った。
関連論文リスト
- COVID-19 Pneumonia and Influenza Pneumonia Detection Using Convolutional
Neural Networks [0.0]
我々は、新型コロナウイルス肺炎、インフルエンザウイルス肺炎、および正常なバイオマーカーの鑑別を支援するコンピュータソリューションを開発した。
その分類性能において、最高の性能モデルでは、検証精度は93%、F1スコアは0.95であった。
論文 参考訳（メタデータ） (2021-12-14T01:59:25Z) - CXR-Net: An Encoder-Decoder-Encoder Multitask Deep Neural Network for
Explainable and Accurate Diagnosis of COVID-19 pneumonia with Chest X-ray
Images [2.2098092675263423]
そこで本研究では,CXRNetを用いた新型コロナウイルス検出のための新しいディープラーニングフレームワークを提案する。
提案するフレームワークは,新しいマルチタスクアーキテクチャに基づいており,疾患の分類と視覚的説明が可能である。
実験結果から,提案手法は良好な精度が得られることが示された。
論文 参考訳（メタデータ） (2021-10-20T22:50:35Z) - 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) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - 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) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - 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) - 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) - Iteratively Pruned Deep Learning Ensembles for COVID-19 Detection in
Chest X-rays [3.785818062712446]
この病気は、SARS-CoV-2(SARS-CoV-2)ウイルスによって引き起こされる。
カスタム畳み込みニューラルネットワークとImageNet事前訓練モデルの選択を患者レベルでトレーニングし、評価する。
学習した知識は、パフォーマンスと一般化を改善するために伝達され、微調整される。
論文 参考訳（メタデータ） (2020-04-16T00:09:29Z)
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。