論文の概要: Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19 Using Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2011.03585v2
• Date: Wed, 14 Apr 2021 16:08:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 05:26:54.986999
• Title: Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19 Using Convolutional Neural Network
• Title（参考訳）: 畳み込みニューラルネットワークを用いたcovid-19診断のための胸部x線画像位相特徴
• Authors: Xiao Qi, Lloyd Brown, David J. Foran, Ilker Hacihaliloglu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.752817022620644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, the outbreak of the novel Coronavirus disease 2019 (COVID-19) pandemic has seriously endangered human health and life. Due to limited availability of test kits, the need for auxiliary diagnostic approach has increased. Recent research has shown radiography of COVID-19 patient, such as CT and X-ray, contains salient information about the COVID-19 virus and could be used as an alternative diagnosis method. Chest X-ray (CXR) due to its faster imaging time, wide availability, low cost and portability gains much attention and becomes very promising. Computational methods with high accuracy and robustness are required for rapid triaging of patients and aiding radiologist in the interpretation of the collected data. In this study, we design a novel multi-feature convolutional neural network (CNN) architecture for multi-class improved classification of COVID-19 from CXR images. CXR images are enhanced using a local phase-based image enhancement method. The enhanced images, together with the original CXR data, are used as an input to our proposed CNN architecture. Using ablation studies, we show the effectiveness of the enhanced images in improving the diagnostic accuracy. We provide quantitative evaluation on two datasets and qualitative results for visual inspection. Quantitative evaluation is performed on data consisting of 8,851 normal (healthy), 6,045 pneumonia, and 3,323 Covid-19 CXR scans. In Dataset-1, our model achieves 95.57\% average accuracy for a three classes classification, 99\% precision, recall, and F1-scores for COVID-19 cases. For Dataset-2, we have obtained 94.44\% average accuracy, and 95\% precision, recall, and F1-scores for detection of COVID-19. Our proposed multi-feature guided CNN achieves improved results compared to single-feature CNN proving the importance of the local phase-based CXR image enhancement (https://github.com/endiqq/Fus-CNNs_COVID-19).
• Abstract（参考訳）: 最近、新型コロナウイルス感染症(COVID-19)が流行し、ヒトの健康や生活が深刻な危機にさらされている。 テストキットの可用性が低かったため、補助的な診断アプローチの必要性が増した。 近年の研究では、CTやX線などの新型コロナウイルス患者のX線写真に、新型コロナウイルスに関する情報が含まれており、代替診断法として使用でき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、ポータビリティが注目され、非常に有望になる。 患者を迅速にトリアージし, 放射線技師を支援するためには, 高精度で頑健な計算方法が必要である。 本研究では、CXR画像からCOVID-19の分類を多クラスに改善するための、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。 CXR画像は局所位相に基づく画像強調法により拡張される。 拡張画像は、元のCXRデータとともに、提案したCNNアーキテクチャの入力として使用される。 アブレーション法を用いて,診断精度を向上させるために,強調画像の有効性を示す。 2つのデータセットの定量的評価と視覚検査のための質的結果を提供する。 8,851の正常(健康)、6,045の肺炎、3,323のCovid-19 CXRスキャンで定量評価を行う。 データセット1では、3つの分類で95.57\%の平均精度、99\%精度、リコール、f1-scoresを達成している。 データセット2では、平均精度94.44\%、精度95\%、リコール、f1-scoreが検出された。 提案した多機能誘導CNNは,局所位相に基づくCXR画像強調の重要性を証明した単一機能CNNと比較して改善された結果が得られる(https://github.com/endiqq/Fus-CNNs_COVID-19)。

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)
• Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
  新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。 公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。 我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:57:04Z)
• Multi-Feature Vision Transformer via Self-Supervised Representation Learning for Improvement of COVID-19 Diagnosis [2.3513645401551333]
  CXR画像からのCOVID-19感染症の診断における自己教師型学習の有効性について検討した。 我々は、元のCXR画像とそれに対応する拡張されたローカル位相CXR画像から情報を学ぶために、クロスアテンション機構をデプロイする。 局所位相に基づく拡張CXR画像を活用することで,ベースライン型自己教師学習モデルの性能をさらに向上できることを示す。
  論文  参考訳（メタデータ） (2022-08-03T05:02:47Z)
• 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)
• A novel framework based on deep learning and ANOVA feature selection method for diagnosis of COVID-19 cases from chest X-ray Images [0.0]
  新型コロナウイルスは武漢で最初に確認され、急速に世界中に広がった。 最もアクセスしやすい方法はRT-PCRである。 RT-PCRと比較すると,胸部CTと胸部X線像が優れた結果を示した。 DenseNet169はX線画像から特徴を抽出するために使用された。
  論文  参考訳（メタデータ） (2021-09-30T16:10:31Z)
• 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)
• Generation of COVID-19 Chest CT Scan Images using Generative Adversarial Networks [0.0]
  SARS-CoV-2は、新型コロナウイルスに感染するウイルス性伝染病で、世界中で急速に広まっている。 拡散を減らすために人々をテストし、分離することが非常に重要であり、ここからは、これを迅速かつ効率的に行う必要がある。 いくつかの研究によると、Chest-CTは、新型コロナウイルス患者の診断において、現在の標準であるRT-PCR検査より優れている。
  論文  参考訳（メタデータ） (2021-05-20T13:04:21Z)
• 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)
• COVID-19 Classification of X-ray Images Using Deep Neural Networks [36.99143569437537]
  本研究の目的は、新型コロナウイルスの診断のための機械学習モデルの作成と評価である。 機械学習モデルは、事前訓練されたディープラーニングモデル(ReNet50)を使用して構築され、データ拡張と肺分節によって強化された。 精度,感度,受信特性曲線(ROC)と高精度リコール曲線(P-R)を用いて評価した。
  論文  参考訳（メタデータ） (2020-10-03T13:57:08Z)
• 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)

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。