論文の概要: COVID-19 detection from scarce chest x-ray image data using deep
learning
- arxiv url: http://arxiv.org/abs/2102.06285v1
- Date: Thu, 11 Feb 2021 22:06:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-15 20:17:59.786203
- Title: COVID-19 detection from scarce chest x-ray image data using deep
learning
- Title（参考訳）: 深層学習を用いた胸部X線画像からのCOVID-19検出
- Authors: Shruti Jadon
- Abstract要約: 現在の新型コロナウイルスのパンデミックでは、感染した患者を迅速かつ正確に検査する必要がある。
胸部x線画像で訓練されたディープラーニングモデルを使うことは、新型コロナウイルス患者のスクリーニングに効果的な方法となる。
少数の学習は、少ないデータ量で目的を学ぶことを目的とした機械学習のサブフィールドです。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the current COVID-19 pandemic situation, there is an urgent need to screen
infected patients quickly and accurately. Using deep learning models trained on
chest X-ray images can become an efficient method for screening COVID-19
patients in these situations. Deep learning approaches are already widely used
in the medical community. However, they require a large amount of data to be
accurate. The open-source community collectively has made efforts to collect
and annotate the data, but it is not enough to train an accurate deep learning
model. Few-shot learning is a sub-field of machine learning that aims to learn
the objective with less amount of data. In this work, we have experimented with
well-known solutions for data scarcity in deep learning to detect COVID-19.
These include data augmentation, transfer learning, and few-shot learning, and
unsupervised learning. We have also proposed a custom few-shot learning
approach to detect COVID-19 using siamese networks. Our experimental results
showcased that we can implement an efficient and accurate deep learning model
for COVID-19 detection by adopting the few-shot learning approaches even with
less amount of data. Using our proposed approach we were able to achieve 96.4%
accuracy an improvement from 83% using baseline models.
- Abstract（参考訳）: 現在の新型コロナウイルスのパンデミックでは、感染した患者を迅速かつ正確に検査する必要がある。
胸部x線画像で訓練されたディープラーニングモデルを使うことは、これらの状況で新型コロナウイルス患者をスクリーニングする効率的な方法になり得る。
深層学習のアプローチは、すでに医療コミュニティで広く使われている。
しかし、正確であるためには大量のデータが必要である。
オープンソースコミュニティは総合的にデータの収集と注釈付けに取り組んでいるが、正確なディープラーニングモデルをトレーニングするには不十分だ。
少数の学習は、少ないデータ量で目的を学ぶことを目的とした機械学習のサブフィールドです。
本研究では、深層学習におけるデータ不足に対するよく知られた解決策を実験し、COVID-19を検出する。
これには、データ拡張、転送学習、少数ショット学習、教師なし学習が含まれる。
我々はまた、シアムネットワークを用いて新型コロナウイルスを検出するためのカスタムな数発の学習手法も提案した。
実験結果から,少ないデータ量でも少数の学習アプローチを取り入れることで,covid-19検出のための効率的かつ高精度なディープラーニングモデルを実現することができた。
提案手法では,ベースラインモデルを用いて83%から96.4%の精度向上を達成できた。
関連論文リスト
- CovidExpert: A Triplet Siamese Neural Network framework for the
detection of COVID-19 [0.0]
我々は、この危険な病気のポストエフェクトを減らすために、新型コロナウイルスの早期検出のための数発の学習モデルを開発した。
提案したアーキテクチャは、数ショットの学習と事前訓練された畳み込みニューラルネットワークのアンサンブルを組み合わせる。
提案されたモデルでは、全体的な精度は98.719%、特異性は99.36%、感度は98.72%、ROCスコアは99.9%であった。
論文 参考訳（メタデータ） (2023-02-17T17:18:02Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - A Data Augmented Approach to Transfer Learning for Covid-19 Detection [0.0]
早期のコビッドウイルス検出は、その拡散を防ぐための効果的な治療と隔離計画に役立つ。
近年、X線、超音波、CTスキャンを用いたコビッド19の検出にトランスファーラーニングが用いられている。
これらの提案手法に固有の大きな制限の1つは、ラベル付きデータセットのサイズ制限である。
論文 参考訳（メタデータ） (2021-08-05T22:23:23Z) - Uncertainty-Aware Semi-supervised Method using Large Unlabelled and
Limited Labeled COVID-19 Data [14.530328267425638]
新型コロナウイルス自動検出のための限定ラベルデータ(SCLLD)を用いた半監視分類を提案する。
提案システムは,近江病院から収集した1万個のCTスキャンを用いて訓練する。
本手法は,ラベル付きトレーニングデータが少ない場合に,Convolutional Neural Network (CNN) の教師付きトレーニングを大幅に上回っている。
論文 参考訳（メタデータ） (2021-02-12T08:20:20Z) - FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
新型コロナウイルスの感染拡大で医療資源が不足している。
新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。
患者のプライバシー上の懸念から、データそのものはまだ乏しい。
我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
論文 参考訳（メタデータ） (2021-02-10T01:56:58Z) - A novel multiple instance learning framework for COVID-19 severity
assessment via data augmentation and self-supervised learning [64.90342559393275]
新型コロナウイルスの重症度を迅速かつ正確に評価する方法は、世界中の何百万人もの人々がパンデミックに苦しんでいる場合に必要不可欠な問題だ。
CT画像による新型コロナウイルスの重症度自動評価を妨害する可能性のある、弱いアノテーションと不十分なデータという2つの問題があることを観察する。
平均精度は95.8%で、感度は93.6%、特異性は96.4%で、前作より優れていた。
論文 参考訳（メタデータ） (2021-02-07T16:30:18Z) - 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) - Experiments of Federated Learning for COVID-19 Chest X-ray Images [14.347569140079342]
コンピュータビジョンとディープラーニング技術は、Chest X-ray Imagesで新型コロナウイルスの感染を判定するのに役立つ。
患者のプライバシの保護と尊重のため、病院の特定の医療関連データは、許可なく漏洩や共有を許さなかった。
我々は、新型コロナウイルスデータトレーニングにフェデレートラーニング(フェデレートラーニング)を用いることを提案し、その有効性を検証するために実験を展開した。
論文 参考訳（メタデータ） (2020-07-05T08:25:37Z) - Diagnosing COVID-19 Pneumonia from X-Ray and CT Images using Deep
Learning and Transfer Learning Algorithms [8.697183191483571]
新型コロナウイルス(2019年新規コロナウイルス)は、中国武漢で最初に発生し、前例のない効果で世界中に広がった。
本研究の目的は、複数のソースからX線とCTスキャン画像の包括的データセットを構築することである。
本手法では,X線およびCTスキャン画像データセットに対して,単純な畳み込みニューラルネットワーク(CNN)と修正済みのAlexNetモデルを適用する。
論文 参考訳（メタデータ） (2020-03-31T18:10:10Z)
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。