論文の概要: Twin Augmented Architectures for Robust Classification of COVID-19 Chest
X-Ray Images
- arxiv url: http://arxiv.org/abs/2102.07975v1
- Date: Tue, 16 Feb 2021 06:50:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-02-17 15:15:11.581724
- Title: Twin Augmented Architectures for Robust Classification of COVID-19 Chest
X-Ray Images
- Title（参考訳）: 新型コロナウイルス胸部x線画像のロバスト分類のための2重拡張アーキテクチャ
- Authors: Kartikeya Badola, Sameer Ambekar, Himanshu Pant, Sumit Soman, Anuradha
Sural, Rajiv Narang, Suresh Chandra and Jayadeva
- Abstract要約: COVID-19のゴールドスタンダードはRT-PCRであり、テスト施設は限られており、常に最適に配布されるわけではありません。
データセット選択の一般的な選択は、データの均一性に悩まされ、誤った結果をもたらすことを示す。
我々は、一般的な事前学習深層学習モデルを修正するために、ツイン拡張と呼ばれる最先端技術を導入する。
- 参考スコア（独自算出の注目度）: 6.127080932156285
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The gold standard for COVID-19 is RT-PCR, testing facilities for which are
limited and not always optimally distributed. Test results are delayed, which
impacts treatment. Expert radiologists, one of whom is a co-author, are able to
diagnose COVID-19 positivity from Chest X-Rays (CXR) and CT scans, that can
facilitate timely treatment. Such diagnosis is particularly valuable in
locations lacking radiologists with sufficient expertise and familiarity with
COVID-19 patients. This paper has two contributions. One, we analyse literature
on CXR based COVID-19 diagnosis. We show that popular choices of dataset
selection suffer from data homogeneity, leading to misleading results. We
compile and analyse a viable benchmark dataset from multiple existing
heterogeneous sources. Such a benchmark is important for realistically testing
models. Our second contribution relates to learning from imbalanced data.
Datasets for COVID X-Ray classification face severe class imbalance, since most
subjects are COVID -ve. Twin Support Vector Machines (Twin SVM) and Twin Neural
Networks (Twin NN) have, in recent years, emerged as effective ways of handling
skewed data. We introduce a state-of-the-art technique, termed as Twin
Augmentation, for modifying popular pre-trained deep learning models. Twin
Augmentation boosts the performance of a pre-trained deep neural network
without requiring re-training. Experiments show, that across a multitude of
classifiers, Twin Augmentation is very effective in boosting the performance of
given pre-trained model for classification in imbalanced settings.
- Abstract（参考訳）: COVID-19のゴールドスタンダードはRT-PCRです。テスト施設は限られており、常に最適に配布されるわけではありません。
検査結果は遅れ、治療に影響を及ぼす。
共同著者の1人である専門家放射線学者は、胸部X線(CXR)とCTスキャンからCOVID-19陽性を診断し、タイムリーな治療を容易にすることができます。
このような診断は、新型コロナウイルス患者に十分な専門知識と慣れ親しんだ放射線科医を欠いた場所では特に有用である。
この論文には2つの貢献がある。
まず、CXRベースのCOVID-19診断に関する文献を分析します。
データセット選択の一般的な選択は、データの均一性に悩まされ、誤った結果をもたらすことを示す。
複数の既存の異種ソースから実行可能なベンチマークデータセットをコンパイルおよび分析します。
このようなベンチマークは、現実的なテストモデルにとって重要である。
第2の貢献は、不均衡なデータからの学習に関するものです。
COVID X-Ray分類のデータセットは、ほとんどの被験者がCOVID-veであるため、重度のクラス不均衡に直面します。
Twin Support Vector Machines (Twin SVM) と Twin Neural Networks (Twin NN) は、近年、スキューデータを扱う効果的な方法として現れている。
我々は、一般的な事前学習深層学習モデルを修正するために、ツイン拡張と呼ばれる最先端技術を導入する。
Twin Augmentationは、再トレーニングを必要とせずに、事前訓練されたディープニューラルネットワークのパフォーマンスを向上します。
実験により、複数の分類器をまたいで、2つの拡張が、不均衡設定における分類のための訓練済みモデルの性能を高めるのに非常に効果的であることが示されている。
関連論文リスト
- Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - 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) - Covid-19 Detection from Chest X-ray and Patient Metadata using Graph
Convolutional Neural Networks [6.420262246029286]
本稿では,Covid-19肺炎のバイオマーカーを同定可能な新しいグラフ畳み込みニューラルネットワーク(GCN)を提案する。
提案手法は,データインスタンスとその特徴間の重要な関係知識をグラフ表現を用いて利用し,グラフデータ学習に畳み込みを適用する。
論文 参考訳（メタデータ） (2021-05-20T13:13:29Z) - 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) - 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) - Generating Realistic COVID19 X-rays with a Mean Teacher + Transfer
Learning GAN [0.0]
本稿では,新型コロナウイルスの胸部X線像を高品質に生成するMTT-GAN(Mean Teacher + Transfer GAN)について紹介する。
より正確なGANを作成するために、我々はKaggle Pneumonia X-Rayデータセットからの転送学習を採用している。
解析の結果,MTT-GAN はベースライン GAN よりも優れたX線画像を生成し,実際のX線と視覚的に比較できることがわかった。
論文 参考訳（メタデータ） (2020-09-26T00:05:06Z) - 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) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳（メタデータ） (2020-06-06T06:48:40Z) - A Deep Convolutional Neural Network for COVID-19 Detection Using Chest
X-Rays [2.2843885788439797]
我々は,Dense Convolutional Networksに基づく画像分類器を提案し,胸部X線像を新型コロナウイルス,肺炎,正常の3つのラベルで分類する移行学習を行った。
テストデータセットで100%のテスト精度に到達することができました。
論文 参考訳（メタデータ） (2020-04-30T13:20:42Z) - Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray
images using fine-tuned deep neural networks [4.294650528226683]
新型コロナウイルスは肺炎に似た呼吸器症候群である。
科学者、研究者、医療専門家は、肺感染症の特定によって、新型コロナウイルスの迅速かつ自動化された診断に貢献している。
本稿では,様々な最先端ディープラーニング手法における非バイアスの微調整学習(トランスファーラーニング)に対するランダムなオーバーサンプリングと重み付きクラス損失関数アプローチを提案する。
論文 参考訳（メタデータ） (2020-04-23T10:24:34Z)
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。