Fugu-MT 論文翻訳(概要): Semi-supervised Learning for COVID-19 Image Classification via ResNet

論文の概要: Semi-supervised Learning for COVID-19 Image Classification via ResNet

arxiv url: http://arxiv.org/abs/2103.06140v2
Date: Thu, 1 Apr 2021 01:53:59 GMT
ステータス: 処理完了
システム内更新日: 2021-04-05 00:54:13.365505
Title: Semi-supervised Learning for COVID-19 Image Classification via ResNet
Title（参考訳）: ResNetによるCOVID-19画像分類のための半教師付き学習
Authors: Lucy Nwosu, Xiangfang Li, Lijun Qian, Seungchan Kim, Xishuang Dong
Abstract要約: 監視されたディープラーニングは、X線イメージングデータセットからCOVID-19の病理を認識するのに成功した。本稿では、COVID-19画像分類のためのResidual Neural Network(ResNet)に基づく2経路半教師付きディープラーニングモデルssResNetを提案する。大規模X線画像データセット COVIDx による実験結果から,ラベル付きトレーニング画像がほとんどない場合でも,提案モデルが有望な性能を達成可能であることが示された。
参考スコア（独自算出の注目度）: 4.3748379918040845
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Coronavirus disease 2019 (COVID-19) is an ongoing global pandemic in over 200 countries and territories, which has resulted in a great public health concern across the international community. Analysis of X-ray imaging data can play a critical role in timely and accurate screening and fighting against COVID-19. Supervised deep learning has been successfully applied to recognize COVID-19 pathology from X-ray imaging datasets. However, it requires a substantial amount of annotated X-ray images to train models, which is often not applicable to data analysis for emerging events such as COVID-19 outbreak, especially in the early stage of the outbreak. To address this challenge, this paper proposes a two-path semi-supervised deep learning model, ssResNet, based on Residual Neural Network (ResNet) for COVID-19 image classification, where two paths refer to a supervised path and an unsupervised path, respectively. Moreover, we design a weighted supervised loss that assigns higher weight for the minority classes in the training process to resolve the data imbalance. Experimental results on a large-scale of X-ray image dataset COVIDx demonstrate that the proposed model can achieve promising performance even when trained on very few labeled training images.
Abstract（参考訳）: コロナウイルス感染症2019(COVID-19)は200か国以上で進行中の世界的なパンデミックであり、国際社会全体で大きな公衆衛生上の懸念をもたらしている。 X線画像データの解析は、タイムリーかつ正確なスクリーニングと新型コロナウイルス対策において重要な役割を果たす可能性がある。監視された深層学習は、X線画像データセットから新型コロナウイルスの病態を認識するためにうまく応用されている。しかし、新型コロナウイルス(COVID-19)の流行などの新興イベントのデータ分析には適用できないことが多いため、モデルのトレーニングには相当量の注釈付きX線画像が必要である。本稿では,この課題に対処するために,covid-19画像分類のための残留ニューラルネットワーク(resnet)に基づく2経路半教師付き深層学習モデルssresnetを提案する。さらに,データ不均衡を解決するために,学習過程におけるマイノリティクラスに対して高重みを割り当てる重み付き教師付き損失を設計した。大規模X線画像データセット COVIDx による実験結果から,ラベル付きトレーニング画像がほとんどない場合でも,提案モデルが有望な性能を達成可能であることが示された。

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)
A Deep Learning Approach for the Detection of COVID-19 from Chest X-Ray Images using Convolutional Neural Networks [0.0]
COVID-19(コロナウイルス)は、重症急性呼吸器症候群ウイルス(SARS-CoV-2)によるパンデミックである。 2019年12月中旬、中国武漢の湖北省で初感染が確認された。全世界で7550万件以上が確認され、167万件以上が死亡している。
論文参考訳（メタデータ） (2022-01-24T21:12:25Z)
Learning from Pseudo Lesion: A Self-supervised Framework for COVID-19 Diagnosis [22.54540093657541]
コロナウイルス感染症2019(COVID-19)は、2019年12月の報告以来、世界中で急速に拡大している。近年、ディープラーニングに基づくアプローチは、無数の画像認識タスクにおいて顕著なパフォーマンスを示している。本報告では, 疑似病変の発生と回復に基づく自己指導型事前訓練法を提案する。
論文参考訳（メタデータ） (2021-06-23T11:21:30Z)
Randomly Initialized Convolutional Neural Network for the Recognition of COVID-19 using X-ray Images [0.0]
新型コロナウイルス(COVID-19)は世界的なパンデミックと宣言されている。 COVID-19を検出するための潜在的な解決策の1つは、ディープラーニング(DL)モデルを使用して胸部X線画像を分析することである。本研究では,新型コロナウイルスの認識のための新しいCNNアーキテクチャを提案する。提案したCNNモデルでは、それぞれ94%と99%の精度で、COVID-19データセットが強化されている。
論文参考訳（メタデータ） (2021-05-17T23:40:37Z)
Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文参考訳（メタデータ） (2021-04-07T16:23:35Z)
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)
Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
論文参考訳（メタデータ） (2021-03-01T06:05:49Z)
Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文参考訳（メタデータ） (2020-07-21T14:37:00Z)
A Cascaded Learning Strategy for Robust COVID-19 Pneumonia Chest X-Ray Screening [11.250464234368478]
新型コロナウイルス(SARS-CoV-2)肺炎に対する包括的スクリーニングプラットフォームを導入する。提案するAIベースのシステムは、胸部X線(CXR)画像を利用して、患者が新型コロナウイルス感染症に感染しているかどうかを予測する。
論文参考訳（メタデータ） (2020-04-24T15:44:51Z)
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)
Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。