論文の概要: FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection

• arxiv url: http://arxiv.org/abs/2010.16039v1
• Date: Fri, 30 Oct 2020 03:17:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 16:26:43.215322
• Title: FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection
• Title（参考訳）: FLANNEL:COVID-19検出のための音声ロスベースのニューラルネットワーク
• Authors: Zhi Qiao, Austin Bae, Lucas M. Glass, Cao Xiao, and Jimeng Sun
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 61.04937460198252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To test the possibility of differentiating chest x-ray images of COVID-19 against other pneumonia and healthy patients using deep neural networks. We construct the X-ray imaging data from two publicly available sources, which include 5508 chest x-ray images across 2874 patients with four classes: normal, bacterial pneumonia, non-COVID-19 viral pneumonia, and COVID-19. To identify COVID-19, we propose a Focal Loss Based Neural Ensemble Network (FLANNEL), a flexible module to ensemble several convolutional neural network (CNN) models and fuse with a focal loss for accurate COVID-19 detection on class imbalance data. FLANNEL consistently outperforms baseline models on COVID-19 identification task in all metrics. Compared with the best baseline, FLANNEL shows a higher macro-F1 score with 6% relative increase on Covid-19 identification task where it achieves 0.7833(0.07) in Precision, 0.8609(0.03) in Recall, and 0.8168(0.03) F1 score.
• Abstract（参考訳）: 深層ニューラルネットワークを用いて、新型コロナウイルスの胸部x線像を他の肺炎や健康な患者と区別する可能性をテストする。 我々は, 正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4つのクラスを持つ2874名の患者を対象に, 5508個の胸部X線画像を含む2つの公開ソースからのX線画像データを構築した。 FLANNEL(Focal Loss Based Neural Ensemble Network)は、いくつかの畳み込みニューラルネットワーク(CNN)モデルをアンサンブルする柔軟なモジュールであり、クラス不均衡データ上での正確なCOVID-19検出のための焦点損失を伴うヒューズである。 FLANNELは、すべての指標において、COVID-19識別タスクのベースラインモデルを上回っている。 最高のベースラインと比較すると、FLANNELのマクロF1スコアは6%増加し、精度0.7833(0.07)、リコール0.8609(0.03)、F1スコア0.8168(0.03)となる。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Auto-Lesion Segmentation with a Novel Intensity Dark Channel Prior for COVID-19 Detection [0.24578723416255752]
  本研究は,他の肺疾患との鑑別を目的としたCTベースの放射線治療フレームワークを開発した。 画像は、新型コロナウイルス(COVID-19)、非新型コロナウイルス(non-COVID-19)、または正常の3つのクラスに分類される。 最高の性能分類モデルであるResidual Neural Network(Resnet-50)は、平均精度、精度、リコール、F1スコアが98.8%、99%、98%、98%に達した。
  論文  参考訳（メタデータ） (2023-09-22T06:09:48Z)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• 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)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• 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)
• Reliable COVID-19 Detection Using Chest X-ray Images [25.179817545627596]
  QaTa-COV19には4603のCOVID-19サンプルを含む124,616の画像が含まれています。 提案されたReCovNetは98.57%の感度と99.77%の特異性で検出性能を達成した。
  論文  参考訳（メタデータ） (2021-01-28T19:57:21Z)
• Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural Networks [68.8204255655161]
  私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。 最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
  論文  参考訳（メタデータ） (2020-12-29T01:14:17Z)
• 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)
• 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)

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。