Fugu-MT 論文翻訳(概要): Deep learning for COVID-19 diagnosis based feature selection using binary differential evolution algorithm

論文の概要: Deep learning for COVID-19 diagnosis based feature selection using binary differential evolution algorithm

arxiv url: http://arxiv.org/abs/2104.07279v1
Date: Thu, 15 Apr 2021 07:12:58 GMT
ステータス: 処理完了
システム内更新日: 2021-04-16 15:08:24.389436
Title: Deep learning for COVID-19 diagnosis based feature selection using binary differential evolution algorithm
Title（参考訳）: バイナリ差分進化アルゴリズムを用いたCOVID-19診断に基づく特徴選択のための深層学習
Authors: Mohammad Saber Iraji, Mohammad-Reza Feizi-Derakhshi, Jafar Tanha
Abstract要約: 新型コロナウイルスは急速に普及しており、多くの人々の命を奪っている。深層畳み込みニューラルネットワークは、画像の分類に強力なツールである。提案手法は,X線画像を用いた新型コロナウイルス検出の最近の研究より優れていることが示された。
参考スコア（独自算出の注目度）: 1.332091725929965
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The new Coronavirus is spreading rapidly and it has taken the lives of many people so far. The virus has destructive effects on the human lung and early detection is very important. Deep Convolution neural networks are a powerful tool in classifying images. Therefore, in this paper a hybrid approach based on a deep network is presented. Feature vectors were extracted by applying a deep convolution neural network on the images and effective features were selected by the binary differential meta-heuristic algorithm. These optimized features were given to the SVM classifier. A database consisting of three categories of images as COVID-19, pneumonia, and healthy included 1092 X-ray samples was considered. The proposed method achieved an accuracy of 99.43%, a sensitivity of 99.16%, and a specificity of 99.57%. Our results demonstrate the suggested approach is better than recent studies on COVID-19 detection with X-ray images.
Abstract（参考訳）: 新型コロナウイルスは急速に普及しており、これまでに多くの人の命を奪った。ウイルスはヒトの肺に破壊的な影響を及ぼし、早期発見は非常に重要である。深層畳み込みニューラルネットワークは、画像の分類に強力なツールである。そこで本稿では,ディープネットワークに基づくハイブリッドアプローチを提案する。画像にディープ畳み込みニューラルネットワークを適用して特徴ベクトルを抽出し,バイナリ微分メタヒューリスティックアルゴリズムにより有効特徴を選定した。これらの最適化された機能はSVM分類器に与えられた。新型コロナウイルス、肺炎、健康な3種類の画像からなるデータベース1092枚のX線サンプルが検討された。提案手法は精度99.43%,感度99.16%,特異性99.57%を達成した。提案手法はX線画像を用いた最近の新型コロナウイルス検出法より優れている。

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)
Classification of COVID-19 in Chest X-ray Images Using Fusion of Deep Features and LightGBM [0.0]
本稿では,本論文で報告されている他の手法よりも高速かつ高精度な新しい手法を提案する。提案手法はDenseNet169とMobileNet Deep Neural Networksを組み合わせて患者のX線画像の特徴を抽出する。この方法は2クラス(COVID-19、Healthy)と複数クラス(COVID-19、Healthy、Pneumonia)で98.54%と91.11%の精度を達成した。
論文参考訳（メタデータ） (2022-06-09T14:56:24Z)
COVID-19 Pneumonia and Influenza Pneumonia Detection Using Convolutional Neural Networks [0.0]
我々は、新型コロナウイルス肺炎、インフルエンザウイルス肺炎、および正常なバイオマーカーの鑑別を支援するコンピュータソリューションを開発した。その分類性能において、最高の性能モデルでは、検証精度は93%、F1スコアは0.95であった。
論文参考訳（メタデータ） (2021-12-14T01:59:25Z)
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)
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)
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)
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)
Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文参考訳（メタデータ） (2020-05-08T02:16:17Z)
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)
A modified deep convolutional neural network for detecting COVID-19 and pneumonia from chest X-ray images based on the concatenation of Xception and ResNet50V2 [0.0]
我々は、X線画像を正常、肺炎、COVID-19の3つのクラスに分類する訓練手法を導入し、いくつかの深層畳み込みネットワークを訓練した。このデータには、新型コロナウイルスに感染した人のX線画像180枚が含まれています。新型コロナウイルス感染症を検出するためのネットワークの平均精度は99.50%であり、全クラスの平均精度は91.4%である。
論文参考訳（メタデータ） (2020-04-17T03:38:39Z)
Towards an Effective and Efficient Deep Learning Model for COVID-19 Patterns Detection in X-ray Images [2.21653002719733]
本研究の主な目的は、胸部X線検査における新型コロナウイルススクリーニングの問題に対して、正確かつ効率的な方法を提案することである。 13,569枚のX線画像のデータセットを、健康な非新型コロナウイルス患者と新型コロナウイルス患者に分けて、提案したアプローチを訓練する。結果: 提案手法により, 全体の精度93.9%, COVID-19, 感度96.8%, 正の予測100%の高品質モデルが得られた。
論文参考訳（メタデータ） (2020-04-12T23:26:56Z)

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。