論文の概要: An ensemble-based approach by fine-tuning the deep transfer learning
models to classify pneumonia from chest X-ray images
- arxiv url: http://arxiv.org/abs/2011.05543v1
- Date: Wed, 11 Nov 2020 04:50:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:50:19.795641
- Title: An ensemble-based approach by fine-tuning the deep transfer learning
models to classify pneumonia from chest X-ray images
- Title（参考訳）: 胸部x線画像から肺炎を分類する深層伝達学習モデルの微調整によるアンサンブルベースアプローチ
- Authors: Sagar Kora Venu
- Abstract要約: 米国では、主に成人の25万人以上が肺炎と診断され、5万人が死亡している。
よく訓練された放射線科医の肺炎検出を見逃すことは珍しくなく、診断の正確性を改善する必要がある。
InceptionResNet、MobileNetV2、Xception、DenseNet201、ResNet152V2といった最先端のディープラーニングモデルを訓練、微調整して、肺炎を正確に分類しました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pneumonia is caused by viruses, bacteria, or fungi that infect the lungs,
which, if not diagnosed, can be fatal and lead to respiratory failure. More
than 250,000 individuals in the United States, mainly adults, are diagnosed
with pneumonia each year, and 50,000 die from the disease. Chest Radiography
(X-ray) is widely used by radiologists to detect pneumonia. It is not uncommon
to overlook pneumonia detection for a well-trained radiologist, which triggers
the need for improvement in the diagnosis's accuracy. In this work, we propose
using transfer learning, which can reduce the neural network's training time
and minimize the generalization error. We trained, fine-tuned the
state-of-the-art deep learning models such as InceptionResNet, MobileNetV2,
Xception, DenseNet201, and ResNet152V2 to classify pneumonia accurately. Later,
we created a weighted average ensemble of these models and achieved a test
accuracy of 98.46%, precision of 98.38%, recall of 99.53%, and f1 score of
98.96%. These performance metrics of accuracy, precision, and f1 score are at
their highest levels ever reported in the literature, which can be considered a
benchmark for the accurate pneumonia classification.
- Abstract（参考訳）: 肺炎は、肺に感染するウイルス、細菌、または真菌によって引き起こされる。
米国では25万人以上の個人(主に成人)が毎年肺炎と診断され、5万人がこの病気で死亡した。
胸部x線撮影は、放射線技師が肺炎を検出するために広く使われている。
良く訓練された放射線科医の肺炎検出を見逃すことは珍しくなく、診断の正確性を改善する必要がある。
本研究では,ニューラルネットワークの学習時間を短縮し,一般化誤差を最小化する転送学習手法を提案する。
inceptionresnet, mobilenetv2, xception, densenet201, resnet152v2などの最先端のディープラーニングモデルを訓練し, 正確に肺炎を分類した。
後に、これらのモデルの重み付け平均アンサンブルを作成し、テスト精度98.46%、精度98.38%、リコール99.53%、f1スコア98.96%を達成した。
これらの正確性、正確性、およびf1スコアのパフォーマンス指標は、文献で報告された最も高いレベルであり、正確な肺炎の分類の基準と考えられる。
関連論文リスト
- FA-Net: A Fuzzy Attention-aided Deep Neural Network for Pneumonia Detection in Chest X-Rays [28.319405767795047]
肺炎(Pneumonia)は、細菌、真菌、ウイルスによって引き起こされる呼吸器感染症である。
早期診断は有効治療の確保と生存率の向上に不可欠である。
胸部X線画像を用いた自動肺炎検出のためのコンピュータ支援診断システムを開発した。
論文 参考訳（メタデータ） (2024-06-21T13:08:40Z) - Prediction of Pneumonia and COVID-19 Using Deep Neural Networks [0.0]
胸部X線画像から肺炎を予測する機械学習手法を提案する。
DenseNet121は他のモデルより優れており、精度は99.58%である。
論文 参考訳（メタデータ） (2023-08-20T21:26:37Z) - A Comparison Study of Deep CNN Architecture in Detecting of Pneumonia [0.0]
細菌やウイルスによる呼吸器感染症である肺炎は、多くの人々に影響を及ぼす。
画像に基づいて植物病を分類し、その性能をテストするディープ畳み込みニューラルネットワーク。
DenseNet201は、非常に少ないパラメータと妥当な計算時間で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-12-30T14:37:32Z) - Using Deep Learning to Improve Early Diagnosis of Pneumonia in
Underdeveloped Countries [0.0]
この仮説は、深層学習モデルがX線形式で入力を受け取り、医師の同等の精度で診断を行うことができるというものである。
このモデルは、所定の正常および異常な肺所見を有する2000枚のX線画像に基づいて訓練された。
結果は、検査されたアルゴリズムが、異常な肺所見を平均82.5%の時間で正確に識別できたことを示している。
論文 参考訳（メタデータ） (2022-10-10T21:38:54Z) - 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) - 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) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。
コンピュータ支援診断システムは診断精度を向上させる可能性を示した。
本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
論文 参考訳（メタデータ） (2020-05-28T10:54:34Z) - 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) - Transfer Learning with Deep Convolutional Neural Network (CNN) for
Pneumonia Detection using Chest X-ray [0.0]
本研究の目的は, 細菌性肺炎とウイルス性肺炎を自動的に検出することである。
CNN(Deep Convolutional Neural Network)には、AlexNet、ResNet18、DenseNet201、SqueezeNetの4種類がある。
正常および肺炎像、細菌性およびウイルス性肺炎像の分類精度は、それぞれ98%、95%、93.3%であった。
論文 参考訳（メタデータ） (2020-04-14T15:03:48Z) - Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware
Anomaly Detection [86.81773672627406]
短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。
胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。
ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
論文 参考訳（メタデータ） (2020-03-27T11:32:18Z)
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。