論文の概要: Detecting Pulmonary Coccidioidomycosis (Valley fever) with Deep
Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2102.00280v1
- Date: Sat, 30 Jan 2021 18:06:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-02 18:43:17.746793
- Title: Detecting Pulmonary Coccidioidomycosis (Valley fever) with Deep
Convolutional Neural Networks
- Title（参考訳）: 深層畳み込みニューラルネットワークを用いた肺コクシジオイドマイコシス(Valley fever)の検出
- Authors: Jordan Ott, David Bruyette, Cody Arbuckle, Dylan Balsz, Silke Hecht,
Lisa Shubitz, Pierre Baldi
- Abstract要約: コクシディオイドマイカ症(コクシディオイドマイカ症、英語: Coccidioidomycosis)は、アメリカ合衆国南西部の犬において最も一般的な全身性マイカ症である。
我々は、Coccidioidomycosisの正確かつ解釈可能な予測を提供するために機械学習モデルを適用した。
- 参考スコア（独自算出の注目度）: 6.280530476948474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coccidioidomycosis is the most common systemic mycosis in dogs in the
southwestern United States. With warming climates, affected areas and number of
cases are expected to increase in the coming years, escalating also the chances
of transmission to humans. As a result, developing methods for automating the
detection of the disease is important, as this will help doctors and
veterinarians more easily identify and diagnose positive cases. We apply
machine learning models to provide accurate and interpretable predictions of
Coccidioidomycosis. We assemble a set of radiographic images and use it to
train and test state-of-the-art convolutional neural networks to detect
Coccidioidomycosis. These methods are relatively inexpensive to train and very
fast at inference time. We demonstrate the successful application of this
approach to detect the disease with an Area Under the Curve (AUC) above 0.99
using 10-fold cross validation. We also use the classification model to
identify regions of interest and localize the disease in the radiographic
images, as illustrated through visual heatmaps. This proof-of-concept study
establishes the feasibility of very accurate and rapid automated detection of
Valley Fever in radiographic images.
- Abstract（参考訳）: コクシジオイドマイコシス(Coccidioidomycosis)は、アメリカ合衆国南西部の犬における最も一般的な全身性マイコシスである。
温暖化により、影響地域やケースの数は今後数年で増加し、人間への感染機会も増大すると予想されている。
その結果、病気の検出を自動化する方法の開発は、医師や獣医師がより簡単に陽性症例を識別し、診断するのに役立つため、重要です。
機械学習モデルを用いてコクシディオイドマイコシスの正確かつ解釈可能な予測を行う。
画像のセットを組み立てて,最先端の畳み込みニューラルネットワークの訓練とテストを行い,コクシディオイドマイコシスの検出を行う。
これらの方法は比較的安価で、推論時に非常に高速です。
10倍のクロスバリデーションを用いてAUC(Area Under the Curve)を0.99以上で検出し,本手法の有効性を実証した。
また, この分類モデルを用いて, 画像の関心領域を同定し, 画像中の疾患の局所化を行う。
この概念実証研究は、放射線画像におけるValley Feverの高精度かつ迅速な自動検出の可能性を確立している。
関連論文リスト
- 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) - Multi-Label Classification of Thoracic Diseases using Dense Convolutional Network on Chest Radiographs [0.0]
そこで本研究では,1回の検査で複数の病態を検出できる多ラベル疾患予測モデルを提案する。
提案モデルでは,AUCスコアが0.896であった。
論文 参考訳（メタデータ） (2022-02-08T00:43:57Z) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳（メタデータ） (2021-11-16T15:03:42Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - COVID-19 Detection from Chest X-ray Images using Imprinted Weights
Approach [67.05664774727208]
胸部X線撮影は、COVID-19の代替スクリーニング方法です。
コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。
この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
論文 参考訳（メタデータ） (2021-05-04T19:01:40Z) - Out-of-Distribution Detection for Dermoscopic Image Classification [0.0]
本研究では, 神経ネットワークを訓練する新しい簡易な手法を開発し, 皮膚疾患画像の分布を分類する。
本研究では,BinaryHeadsモデルが,データのアンバランス時の分類バランス精度を損なわないだけでなく,バランス精度を一貫して改善していることを示した。
論文 参考訳（メタデータ） (2021-04-15T23:34:53Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - COVID CT-Net: Predicting Covid-19 From Chest CT Images Using Attentional
Convolutional Network [5.174558376705871]
コロナウイルス(COVID-19)は世界中で200カ国以上で大流行している。
本研究では,CT画像からCOVID-19を予測するためのディープラーニングフレームワークを開発した。
我々は2000以上のCT画像のデータセットを用いてモデルを訓練し、その性能を様々な一般的な指標で報告した。
論文 参考訳（メタデータ） (2020-09-10T19:00:51Z) - Learning Diagnosis of COVID-19 from a Single Radiological Image [1.9049294570026933]
条件付き単一画像から学習可能な新しい条件生成モデルCoSinGANを提案する。
我々のCoSinGANは、新型コロナウイルス感染症の視覚所見の条件付き分布を捉え、さらに多様な高解像度の放射線画像の合成を可能にします。
CoSinGANから合成されたサンプルに基づいて訓練された深層分類とセグメンテーションネットワークは、新型コロナウイルス感染の顕著な検出精度を達成する。
論文 参考訳（メタデータ） (2020-06-06T07:41:28Z) - Deep-COVID: Predicting COVID-19 From Chest X-Ray Images Using Deep
Transfer Learning [5.174558376705871]
新型コロナウイルス(COVID-19)のパンデミックは、世界中で150カ国以上で大流行している。
新型コロナウイルスと戦う上で重要なステップの1つは、感染した患者を十分に早期に検出する能力だ。
胸部X線画像から新型コロナウイルス患者を検出するための深層学習モデルの応用について検討した。
論文 参考訳（メタデータ） (2020-04-20T15:09:14Z)
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。