Fugu-MT 論文翻訳(概要): CNN AE: Convolution Neural Network combined with Autoencoder approach to detect survival chance of COVID 19 patients

論文の概要: CNN AE: Convolution Neural Network combined with Autoencoder approach to detect survival chance of COVID 19 patients

arxiv url: http://arxiv.org/abs/2104.08954v1
Date: Sun, 18 Apr 2021 20:31:17 GMT
ステータス: 処理完了
システム内更新日: 2021-04-20 13:35:11.282522
Title: CNN AE: Convolution Neural Network combined with Autoencoder approach to detect survival chance of COVID 19 patients
Title（参考訳）: CNN AE:畳み込みニューラルネットワークとオートエンコーダの併用による新型コロナウイルス19人の生存率検出
Authors: Fahime Khozeimeh, Danial Sharifrazi, Navid Hoseini Izadi, Javad Hassannataj Joloudari, Afshin Shoeibi, Roohallah Alizadehsani, Juan M. Gorriz, Sadiq Hussain, Zahra Alizadeh Sani, Hossein Moosaei, Abbas Khosravi, Saeid Nahavandi, Sheikh Mohammed Shariful Islam
Abstract要約: 臨床情報に基づいて訓練したCNNを用いて、新型コロナウイルス患者の生存率を予測する新しいCNN-AE法を提案する。予測精度をさらに高めるために、CNNをオートエンコーダと組み合わせて使用します。
参考スコア（独自算出の注目度）: 11.121959969774327
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we propose a novel method named CNN-AE to predict survival chance of COVID-19 patients using a CNN trained on clinical information. To further increase the prediction accuracy, we use the CNN in combination with an autoencoder. Our method is one of the first that aims to predict survival chance of already infected patients. We rely on clinical data to carry out the prediction. The motivation is that the required resources to prepare CT images are expensive and limited compared to the resources required to collect clinical data such as blood pressure, liver disease, etc. We evaluate our method on a publicly available clinical dataset of deceased and recovered patients which we have collected. Careful analysis of the dataset properties is also presented which consists of important features extraction and correlation computation between features. Since most of COVID-19 patients are usually recovered, the number of deceased samples of our dataset is low leading to data imbalance. To remedy this issue, a data augmentation procedure based on autoencoders is proposed. To demonstrate the generality of our augmentation method, we train random forest and Na\"ive Bayes on our dataset with and without augmentation and compare their performance. We also evaluate our method on another dataset for further generality verification. Experimental results reveal the superiority of CNN-AE method compared to the standard CNN as well as other methods such as random forest and Na\"ive Bayes. COVID-19 detection average accuracy of CNN-AE is 96.05% which is higher than CNN average accuracy of 92.49%. To show that clinical data can be used as a reliable dataset for COVID-19 survival chance prediction, CNN-AE is compared with a standard CNN which is trained on CT images.
Abstract（参考訳）: 本稿では,臨床情報に基づいて訓練したCNNを用いて,新型コロナウイルス患者の生存率を予測する新しいCNN-AE法を提案する。さらに, 予測精度を高めるために, オートエンコーダと組み合わせてcnnを用いた。すでに感染した患者の生存率を予測するための最初の方法の一つである。我々はその予測を行うために臨床データに頼る。モチベーションは、ct画像を作成するために必要なリソースは、血圧、肝疾患などの臨床データを集めるのに必要なリソースに比べて高価で限られていることである。当院で収集した死亡者および回復者の臨床データを用いて,本手法を評価した。また、重要な特徴抽出と特徴間の相関計算からなるデータセット特性の注意深い分析も提示する。新型コロナウイルス(COVID-19)患者のほとんどが通常回復しているため、データセットの死亡サンプル数は少ないため、データの不均衡につながる。この問題を改善するために,オートエンコーダに基づくデータ拡張手順を提案する。拡張手法の汎用性を示すため,データセット上で無作為な森林とNa\"ive Bayesを増補なしで訓練し,それらの性能を比較した。また,本手法を他のデータセット上で評価し,さらなる一般性検証を行う。実験の結果,標準CNNに比べてCNN-AE法の方が優れており,また無作為林やナシブベイズなど他の手法も優れていることがわかった。 CNN-AEの平均精度は96.05%であり、CNNの平均精度は92.49%である。臨床データがcovid-19生存確率予測の信頼できるデータセットとして使用できることを示すために、cnn-aeをct画像で訓練された標準cnnと比較する。

関連論文リスト

MIC: Medical Image Classification Using Chest X-ray (COVID-19 and Pneumonia) Dataset with the Help of CNN and Customized CNN [0.0]
本研究では,医用画像分類のための独自の畳み込みニューラルネットワーク(CCNN)を提案する。提案されたCCNNは、同じデータセットを使用した畳み込みニューラルネットワーク(CNN)や他のモデルと比較された。この研究によると、畳み込みニューラルネットワーク(CCNN)は95.62%の検証精度と0.1270の検証損失を達成した。
論文参考訳（メタデータ） (2024-11-02T07:18:53Z)
Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
Cross-dataset domain adaptation for the classification COVID-19 using chest computed tomography images [0.6798775532273751]
COVID19-DANetは、機能抽出のためにトレーニング済みのCNNバックボーンに基づいている。 SARS-CoV-2-CTとCOVID19-CTデータセットを使用して、4つのクロスデータセットシナリオでテストされる。
論文参考訳（メタデータ） (2023-11-14T20:36:34Z)
Improving COVID-19 CT Classification of CNNs by Learning Parameter-Efficient Representation [31.51725965329019]
深層学習法は, コンピュータ断層撮影による新型コロナウイルスの自動診断を支援するために提案されている。 DenseNet121は、正常、非COVID-19肺炎、COVID-19肺炎を含む3つのカテゴリーの分類で、平均99.44%の検査精度を達成している。
論文参考訳（メタデータ） (2022-08-09T12:24:53Z)
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)
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)
Data Augmentation and CNN Classification For Automatic COVID-19 Diagnosis From CT-Scan Images On Small Dataset [0.0]
肺CT画像からのCOVID1-19自動診断フレームワークを提案する。本論文では,複数のHounsfield Unit(HU)正規化ウィンドウを用いた一意かつ効果的なデータ拡張手法を提案する。トレーニング・検証データセットでは,患者の分類精度は93.39%である。
論文参考訳（メタデータ） (2021-08-16T15:23:00Z)
An Interaction-based Convolutional Neural Network (ICNN) Towards Better Understanding of COVID-19 X-ray Images [0.0]
本稿では,局所情報の関連性を仮定しない対話型畳み込みニューラルネットワーク(ICNN)を提案する。提案手法は、新型コロナウイルスのチェストX線画像を分類した実世界のデータセット上で、99.8%の最先端予測性能を実現する。
論文参考訳（メタデータ） (2021-06-13T04:41:17Z)
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)
Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文参考訳（メタデータ） (2020-09-09T03:28:57Z)
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)

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。