論文の概要: Classification of COVID-19 in Chest CT Images using Convolutional
Support Vector Machines
- arxiv url: http://arxiv.org/abs/2011.05746v1
- Date: Wed, 11 Nov 2020 13:04:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:48:45.819821
- Title: Classification of COVID-19 in Chest CT Images using Convolutional
Support Vector Machines
- Title（参考訳）: 畳み込み支援ベクトルマシンを用いた胸部CT画像におけるCOVID-19の分類
- Authors: Umut \"Ozkaya, \c{S}aban \"Ozt\"urk, Serkan Budak, Farid Melgani,
Kemal Polat
- Abstract要約: 本研究は、高パフォーマンスのCOVID-19患者を検知するディープラーニングモデルを提案する。
提案手法はCSVM (Convolutional Support Vector Machine) として定義され,CT画像の自動分類を行う。
事前トレーニングされたCNNネットワークとCSVMモデルの性能を評価すると、CSVM (7x7, 3x3, 1x1)モデルは94.03%のACC、96.09%のSEN、92.01%のSPE、92.19%のPre、94.10%のF1スコア、88.15%のMCC、88.07%のKappa測定値で最高のパフォーマンスを示す。
- 参考スコア（独自算出の注目度）: 15.50817570408951
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Coronavirus 2019 (COVID-19), which emerged in Wuhan, China and
affected the whole world, has cost the lives of thousands of people. Manual
diagnosis is inefficient due to the rapid spread of this virus. For this
reason, automatic COVID-19 detection studies are carried out with the support
of artificial intelligence algorithms. Methods: In this study, a deep learning
model that detects COVID-19 cases with high performance is presented. The
proposed method is defined as Convolutional Support Vector Machine (CSVM) and
can automatically classify Computed Tomography (CT) images. Unlike the
pre-trained Convolutional Neural Networks (CNN) trained with the transfer
learning method, the CSVM model is trained as a scratch. To evaluate the
performance of the CSVM method, the dataset is divided into two parts as
training (%75) and testing (%25). The CSVM model consists of blocks containing
three different numbers of SVM kernels. Results: When the performance of
pre-trained CNN networks and CSVM models is assessed, CSVM (7x7, 3x3, 1x1)
model shows the highest performance with 94.03% ACC, 96.09% SEN, 92.01% SPE,
92.19% PRE, 94.10% F1-Score, 88.15% MCC and 88.07% Kappa metric values.
Conclusion: The proposed method is more effective than other methods. It has
proven in experiments performed to be an inspiration for combating COVID and
for future studies.
- Abstract（参考訳）: 目的:中国武漢で発生し、世界中に影響を与えたコロナウイルス2019(COVID-19)は、数千人の命を犠牲にした。
このウイルスが急速に拡散するため、手動診断は非効率である。
このため、人工知能アルゴリズムのサポートにより、新型コロナウイルスの自動検出研究が行なわれる。
方法:本研究では,高パフォーマンスのCOVID-19症例を検出する深層学習モデルを提案する。
提案手法は畳み込み支援ベクターマシン(csvm)として定義され,ct画像の自動分類が可能である。
移行学習法で訓練された事前学習された畳み込みニューラルネットワーク(CNN)とは異なり、CSVMモデルはスクラッチとして訓練される。
CSVM法の性能を評価するために、データセットはトレーニング(%75)とテスト(%25)の2つの部分に分けられる。
CSVMモデルは3つの異なるSVMカーネルを含むブロックで構成されている。
結果: cnnネットワークとcsvmモデルの性能を評価すると、csvm (7x7, 3x3, 1x1)モデルが最も高いパフォーマンスを示し、94.03% acc, 96.09% sen, 92.01% spe, 92.19% pre, 94.10% f1-score, 88.15% mcc, 88.07% kappaである。
結論: 提案手法は他の方法よりも効果的である。
これは、新型コロナウイルスとの戦いや将来の研究にインスピレーションを与えるために行われた実験で証明されている。
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) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - Evaluating Generalizability of Deep Learning Models Using
Indian-COVID-19 CT Dataset [5.398550081886242]
臨床環境でのCTスキャン画像の自動処理のためのma-chine learning (ML)アプローチは、公開されているCOVID-19データの限定的で偏りのあるサブセットに基づいて訓練される。
これにより、トレーニング中にモデルに見られない外部データセット上で、これらのモデルの一般化性に関する懸念が持ち上がった。
これらの問題に対処するために、この研究では、最も大きなパブリックリポジトリの1つから得られた確認されたCOVID-19データからのCTスキャン画像を用いて、機械学習モデルのトレーニングと内部バリデーションにCOVIDx CT 2Aを使用した。
論文 参考訳（メタデータ） (2022-12-28T16:23:18Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - Classification of COVID-19 X-ray Images Using a Combination of Deep and
Handcrafted Features [0.0]
私たちは、X線胸部スキャンから抽出された深い畳み込みと手作業の機能を組み合わせて、健康で一般的な肺炎、およびCOVID-19患者を識別します。
SVM と CNN のハンドクラフト特徴に対して, 0.963 と 0.983 との組み合わせによる分類作業において 0.988 の精度を実現した。
論文 参考訳（メタデータ） (2021-01-19T21:09:46Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - 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) - Coronavirus (COVID-19) Classification using Deep Features Fusion and
Ranking Technique [0.0]
新型コロナウイルスを早期に検出するために, 深部特徴を融合・ランク付けする手法が提案された。
提案手法は, 98.27%の精度, 98.93%の感度, 97.60%の特異性, 97.63%の精度, 98.28%のF1スコア, 96.54%のマシューズ相関係数(MCC)測定値を示す。
論文 参考訳（メタデータ） (2020-04-07T20:43:44Z) - COVID-ResNet: A Deep Learning Framework for Screening of COVID19 from
Radiographs [1.9798034349981157]
新型コロナウイルスと他の肺炎を鑑別するための正確な畳み込みニューラルネットワークフレームワークを提案する。
本研究は,モデル性能を向上させるために,トレーニング済みのResNet-50アーキテクチャを微調整する3段階の手法を提案する。
このモデルは、新型コロナウイルスの早期スクリーニングに役立ち、医療システムの負担軽減に役立つ。
論文 参考訳（メタデータ） (2020-03-31T17:42:28Z)
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。