論文の概要: Classification of COVID-19 X-ray Images Using a Combination of Deep and
Handcrafted Features
- arxiv url: http://arxiv.org/abs/2101.07866v2
- Date: Thu, 21 Jan 2021 17:21:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 12:40:46.040805
- Title: Classification of COVID-19 X-ray Images Using a Combination of Deep and
Handcrafted Features
- Title（参考訳）: 深部特徴と手作り特徴の組み合わせによる新型コロナウイルスx線画像の分類
- Authors: Weihan Zhang, Bryan Pogorelsky, Mark Loveland, Trevor Wolf
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Coronavirus Disease 2019 (COVID-19) demonstrated the need for accurate and
fast diagnosis methods for emergent viral diseases. Soon after the emergence of
COVID-19, medical practitioners used X-ray and computed tomography (CT) images
of patients' lungs to detect COVID-19. Machine learning methods are capable of
improving the identification accuracy of COVID-19 in X-ray and CT images,
delivering near real-time results, while alleviating the burden on medical
practitioners. In this work, we demonstrate the efficacy of a support vector
machine (SVM) classifier, trained with a combination of deep convolutional and
handcrafted features extracted from X-ray chest scans. We use this combination
of features to discriminate between healthy, common pneumonia, and COVID-19
patients. The performance of the combined feature approach is compared with a
standard convolutional neural network (CNN) and the SVM trained with
handcrafted features. We find that combining the features in our novel
framework improves the performance of the classification task compared to the
independent application of convolutional and handcrafted features.
Specifically, we achieve an accuracy of 0.988 in the classification task with
our combined approach compared to 0.963 and 0.983 accuracy for the handcrafted
features with SVM and CNN respectively.
- Abstract（参考訳）: コロナウイルス病2019(COVID-19)は、早発性ウイルス病の正確な迅速診断方法の必要性を示した。
新型コロナウイルス(covid-19)の出現から間もなく、医療従事者は患者の肺のx線画像とct画像を使用してcovid-19を検出した。
機械学習の手法は、x線やct画像におけるcovid-19の識別精度を高め、ほぼリアルタイムで結果を提供すると同時に、医療従事者の負担を軽減することができる。
本研究では,x線胸部スキャンから抽出した深部畳み込み特徴と手作り特徴を組み合わせて訓練したサポートベクターマシン(svm)分類器の有効性を示す。
この機能を組み合わせることで、健康な肺炎、一般的な肺炎、およびcovid-19患者を区別することができる。
複合機能アプローチのパフォーマンスは、標準的な畳み込みニューラルネットワーク(CNN)と手作り機能で訓練されたSVMと比較される。
新たなフレームワークの機能を組み合わせることで,畳み込みと手工芸の独立的な応用と比較して,分類作業のパフォーマンスが向上することがわかった。
具体的には,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) - Detection of COVID19 in Chest X-Ray Images Using Transfer Learning [0.0]
本稿では,VGG-16とVGG-19という,最もよく知られた2つのVGGNetアーキテクチャを用いたトランスファーラーニングの概念について検討する。
我々は,複数クラスとバイナリの分類問題において,正のCovid-19インスタンスを識別するために,提案システムの性能を評価するために2つの異なるデータセットを生成した。
論文 参考訳（メタデータ） (2023-04-09T05:02:04Z) - COVID-19 Detection Based on Self-Supervised Transfer Learning Using
Chest X-Ray Images [38.65823547986758]
胸部X線(CXR)画像から新型コロナウイルスを検出するための自己教師伝達学習法を提案する。
オープンなCOVID-19 CXR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について検討した。
論文 参考訳（メタデータ） (2022-12-19T07:10:51Z) - Intelligent computational model for the classification of Covid-19 with
chest radiography compared to other respiratory diseases [0.0]
統計的および計算的な方法で処理された肺X線画像は、肺炎と新型コロナウイルスを区別することができる。
本研究は、新型コロナウイルスの疑いのある患者を診察し、診断する方法を改善するために、肺X線の特徴を抽出することが可能であることを示す。
論文 参考訳（メタデータ） (2021-08-12T05:07:11Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - 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) - 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) - 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) - 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) - 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)
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。