論文の概要: Exploring the Effect of Image Enhancement Techniques on COVID-19
Detection using Chest X-rays Images
- arxiv url: http://arxiv.org/abs/2012.02238v1
- Date: Wed, 25 Nov 2020 20:58:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 02:37:55.216202
- Title: Exploring the Effect of Image Enhancement Techniques on COVID-19
Detection using Chest X-rays Images
- Title（参考訳）: 胸部X線画像を用いたCOVID-19検出における画像強調法の効果の検討
- Authors: Tawsifur Rahman, Amith Khandakar, Yazan Qiblawey, Anas Tahir, Serkan
Kiranyaz, Saad Bin Abul Kashem, Mohammad Tariqul Islam, Somaya Al Maadeed,
Susu M Zughaier, Muhammad Salman Khan, Muhammad E. H. Chowdhury
- Abstract要約: 本稿では,様々な画像強調技術の効果について検討し,それぞれが検出性能に与える影響について述べる。
我々はCOVQU-20と呼ばれる最大規模のX線データセットをコンパイルした。
CXR画像のガンマ補正による新型コロナウイルス検出における精度、精度、感度、f1スコア、特異度はそれぞれ96.29%、96.28%、96.29%、96.28%、96.27%であった。
- 参考スコア（独自算出の注目度）: 4.457871213347773
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The use of computer-aided diagnosis in the reliable and fast detection of
coronavirus disease (COVID-19) has become a necessity to prevent the spread of
the virus during the pandemic to ease the burden on the medical infrastructure.
Chest X-ray (CXR) imaging has several advantages over other imaging techniques
as it is cheap, easily accessible, fast and portable. This paper explores the
effect of various popular image enhancement techniques and states the effect of
each of them on the detection performance. We have compiled the largest X-ray
dataset called COVQU-20, consisting of 18,479 normal, non-COVID lung opacity
and COVID-19 CXR images. To the best of our knowledge, this is the largest
public COVID positive database. Ground glass opacity is the common symptom
reported in COVID-19 pneumonia patients and so a mixture of 3616 COVID-19, 6012
non-COVID lung opacity, and 8851 normal chest X-ray images were used to create
this dataset. Five different image enhancement techniques: histogram
equalization, contrast limited adaptive histogram equalization, image
complement, gamma correction, and Balance Contrast Enhancement Technique were
used to improve COVID-19 detection accuracy. Six different Convolutional Neural
Networks (CNNs) were investigated in this study. Gamma correction technique
outperforms other enhancement techniques in detecting COVID-19 from standard
and segmented lung CXR images. The accuracy, precision, sensitivity, f1-score,
and specificity in the detection of COVID-19 with gamma correction on CXR
images were 96.29%, 96.28%, 96.29%, 96.28% and 96.27% respectively. The
accuracy, precision, sensitivity, F1-score, and specificity were 95.11 %, 94.55
%, 94.56 %, 94.53 % and 95.59 % respectively for segmented lung images. The
proposed approach with very high and comparable performance will boost the fast
and robust COVID-19 detection using chest X-ray images.
- Abstract（参考訳）: 新型コロナウイルス感染症(COVID-19)の信頼性・迅速検出にコンピュータで支援する診断は、新型コロナウイルスの感染拡大防止や医療インフラの負担軽減に欠かせないものとなっている。
胸部x線(cxr)イメージングは安価で簡単にアクセスでき、高速でポータブルであるため、他の撮像技術よりもいくつかの利点がある。
本稿では,様々な画像強調技術の効果について検討し,それぞれが検出性能に与える影響について述べる。
我々はCOVQU-20と呼ばれる最大規模のX線データセットをコンパイルした。
私たちの知る限りでは、これは最大の新型コロナウイルス陽性データベースです。
グラウンドガラスの不透明度は、COVID-19肺炎患者で報告される一般的な症状であり、3616のCOVID-19、6012の非新型コロナウイルス性肺不透明度、8851の正常な胸部X線画像を用いてこのデータセットを作成した。
画像強調技術として, ヒストグラム等化法, コントラスト適応ヒストグラム等化法, 画像補完法, ガンマ補正法, バランスコントラスト等化法の5種類を用いた。
本研究では,6種類の畳み込みニューラルネットワーク(CNN)について検討した。
ガンマ補正技術は、標準および分枝肺cxr画像からのcovid-19検出における他の強化技術よりも優れている。
CXR画像のガンマ補正による新型コロナウイルス検出における精度、精度、感度、f1スコア、特異度はそれぞれ96.29%、96.28%、96.29%、96.28%、96.27%であった。
精度,精度,感度,F1スコア,特異度はそれぞれ95.11 %,94.55 %,94.56 %,94.53 %,95.59 %であった。
非常に高い、かつ同等のパフォーマンスを持つ提案手法は、胸部X線画像を用いた高速で堅牢なCOVID-19検出を促進する。
関連論文リスト
- 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) - 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) - 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) - Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19
Using Convolutional Neural Network [2.752817022620644]
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。
論文 参考訳（メタデータ） (2020-11-06T20:26:26Z) - FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
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。
論文 参考訳（メタデータ） (2020-10-30T03:17:31Z) - PDCOVIDNet: A Parallel-Dilated Convolutional Neural Network Architecture
for Detecting COVID-19 from Chest X-Ray Images [1.4824891788575418]
新型コロナウイルスのパンデミックは、世界保健システムの繁栄を著しく損なわれ続けている。
胸部X線画像による放射線学的評価は,重要なスクリーニング技術の一つである。
胸部X線画像を用いた並列拡散畳み込みニューラルネットワークによる新型コロナウイルス検出システムを提案する。
論文 参考訳（メタデータ） (2020-07-29T12:28:16Z) - 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) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳（メタデータ） (2020-04-15T12:30:40Z) - Residual Attention U-Net for Automated Multi-Class Segmentation of
COVID-19 Chest CT Images [46.844349956057776]
新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。
新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。
複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-12T16:24:59Z) - Can AI help in screening Viral and COVID-19 pneumonia? [0.0]
本研究の目的は,デジタル胸部X線画像からCOVID-19肺炎を自動的に検出するためのロバストな手法を提案することである。
このデータベースには423のCOVID-19、1485のウイルス性肺炎、1579の正常な胸部X線画像が含まれている。
両者の分類精度、精度、感度、特異性はそれぞれ99.7%、99.7%、99.55%、97.9%、97.95%、97.9%、98.8%であった。
論文 参考訳（メタデータ） (2020-03-29T21:37:21Z)
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。