論文の概要: Uncertainty-driven ensembles of deep architectures for multiclass classification. Application to COVID-19 diagnosis in chest X-ray images

• arxiv url: http://arxiv.org/abs/2011.14894v1
• Date: Fri, 27 Nov 2020 14:06:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 01:57:13.880208
• Title: Uncertainty-driven ensembles of deep architectures for multiclass classification. Application to COVID-19 diagnosis in chest X-ray images
• Title（参考訳）: 多クラス分類のための深層建築の不確実性駆動アンサンブル 胸部X線画像におけるCOVID-19診断への応用
• Authors: Juan E. Arco, A. Ortiz, J.Ramirez, F.J. Martinez-Murcia, Yu-Dong Zhang, Juan M. Gorriz
• Abstract要約: 最近の新型コロナウイルスのパンデミックは、肺炎の診断を自動化するシステムの開発システムの必要性を示している。 CNNは、医療画像の自動分類に優れた選択肢であることが証明されている。 ベイズ深層学習に基づく多段階アンサンブル分類システムを提案する。
• 参考スコア（独自算出の注目度）: 8.103053617559748
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Respiratory diseases kill million of people each year. Diagnosis of these pathologies is a manual, time-consuming process that has inter and intra-observer variability, delaying diagnosis and treatment. The recent COVID-19 pandemic has demonstrated the need of developing systems to automatize the diagnosis of pneumonia, whilst Convolutional Neural Network (CNNs) have proved to be an excellent option for the automatic classification of medical images. However, given the need of providing a confidence classification in this context it is crucial to quantify the reliability of the model's predictions. In this work, we propose a multi-level ensemble classification system based on a Bayesian Deep Learning approach in order to maximize performance while quantifying the uncertainty of each classification decision. This tool combines the information extracted from different architectures by weighting their results according to the uncertainty of their predictions. Performance of the Bayesian network is evaluated in a real scenario where simultaneously differentiating between four different pathologies: control vs bacterial pneumonia vs viral pneumonia vs COVID-19 pneumonia. A three-level decision tree is employed to divide the 4-class classification into three binary classifications, yielding an accuracy of 98.06% and overcoming the results obtained by recent literature. The reduced preprocessing needed for obtaining this high performance, in addition to the information provided about the reliability of the predictions evidence the applicability of the system to be used as an aid for clinicians.
• Abstract（参考訳）: 呼吸器疾患は毎年何百万人もの人を殺す。 これらの病理の診断は、手動で時間を要するプロセスであり、サーバー間の変動、診断と治療の遅延がある。 最近の新型コロナウイルス(COVID-19)パンデミックは、肺炎の診断を自動化するためのシステム開発の必要性を示す一方で、畳み込みニューラルネットワーク(CNN)は、医療画像の自動分類に優れた選択肢であることが証明されている。 しかし、この文脈で信頼度分類を提供する必要性を考えると、モデルの予測の信頼性を定量化することが重要である。 本研究では,ベイズ深層学習に基づく多段階アンサンブル分類システムを提案し,各分類決定の不確かさを定量化しながら性能を最大化する。 このツールは、予測の不確実性に応じて結果を重み付けすることで、異なるアーキテクチャから抽出した情報を組み合わせる。 ベイズネットワークの性能は、コントロール対細菌性肺炎、ウイルス性肺炎対covid-19肺炎の4つの病因を同時に区別する実際のシナリオで評価される。 3段階決定木を用いて4級分類を3つの二分分類に分割し、98.06%の精度を与え、最近の文献で得られた結果を上回った。 この高い性能を得るのに必要な前処理の削減は、予測の信頼性に関する情報に加えて、臨床医の助けとなるシステムの適用性を示すものである。

関連論文リスト

• Towards reliable respiratory disease diagnosis based on cough sounds and vision transformers [14.144599890583308]
  本稿では,大規模コークスデータセットを用いた自己教師型学習と教師型学習を併用したコークス病分類手法を提案する。 提案手法は、新型コロナウイルスの診断のための2つのベンチマークデータセットと、AUROC 92.5% の COPD/non-COPD 分類のためのプロプライエタリデータセットにおいて、先行技術よりも一貫して優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2024-08-28T09:40:40Z)
• Predictive uncertainty estimation in deep learning for lung carcinoma classification in digital pathology under real dataset shifts [2.309018557701645]
  本稿では,予測不確実性推定が深層学習に基づく診断意思決定システムに堅牢性をもたらすか否かを評価する。 まず, モンテカルロの脱落, 深層アンサンブル, 肺腺癌分類の軽微な学習をスライド画像全体の一次疾患として, 予測不確実性を改善するための一般的な3つの方法について検討した。
  論文  参考訳（メタデータ） (2024-08-15T21:49:43Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Deep reproductive feature generation framework for the diagnosis of COVID-19 and viral pneumonia using chest X-ray images [0.0]
  最先端の8つの深層畳み込みニューラルネットワーク(CNN)とオートエンコーダを用いた2段階特徴抽出フレームワークを提案する。 X線スキャンは4つの同じ大きさのセクションに分けられ、深層学習CNNによって分析される。 隠れた3つの層を持つオートエンコーダは、CNNの出力から生殖機能を抽出するために訓練される。
  論文  参考訳（メタデータ） (2023-04-20T23:52:21Z)
• CNN-based Classification Framework for Tissues of Lung with Additional Information [7.537149692650752]
  間質性肺疾患(Interstitial lung disease)は、肺胞炎や肺線維症を特徴とする異種性疾患の大規模なグループである。 これまでの研究は、間質性肺疾患の分類において驚くべき結果をもたらした。 本研究では,新たな情報を持つ畳み込みニューラルネットワークに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-14T09:06:09Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Study on Transfer Learning Capabilities for Pneumonia Classification in Chest-X-Rays Image [11.076902397190961]
  本研究では,トランスファーラーニングパラダイムを用いて,確立されたニューラルネットワークアーキテクチャが肺炎分類課題に及ぼす影響について検討する。 総合的な比較をするために、よく知られた12のImageNet事前訓練モデルを微調整し、健康な人の胸部X線を識別するために使用した。 実験は、合計6330枚の画像を使用して、列車、検証、テストセットに分割された。
  論文  参考訳（メタデータ） (2021-10-06T14:00:18Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)
• 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)

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。