論文の概要: DPN-SENet:A self-attention mechanism neural network for detection and diagnosis of COVID-19 from chest x-ray images

• arxiv url: http://arxiv.org/abs/2105.09683v1
• Date: Thu, 20 May 2021 11:50:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 13:27:15.045365
• Title: DPN-SENet:A self-attention mechanism neural network for detection and diagnosis of COVID-19 from chest x-ray images
• Title（参考訳）: DPN-SENet:胸部X線画像からのCOVID-19の検出と診断のための自己注意機構ニューラルネットワーク
• Authors: Bo Cheng, Ruhui Xue, Hang Yang, Laili Zhu, and Wei Xiang
• Abstract要約: 新型コロナウイルス(COVID-19)とも呼ばれる新型ウイルスは、2019年末に流行し、今では世界中に広まっている。 本稿では,放射線科医や臨床医が胸部X線を用いて新型コロナウイルスの診断に役立てる深層学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 16.010171071102416
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background and Objective: The new type of coronavirus is also called COVID-19. It began to spread at the end of 2019 and has now spread across the world. Until October 2020, It has infected around 37 million people and claimed about 1 million lives. We propose a deep learning model that can help radiologists and clinicians use chest X-rays to diagnose COVID-19 cases and show the diagnostic features of pneumonia. Methods: The approach in this study is: 1) we propose a data enhancement method to increase the diversity of the data set, thereby improving the generalization performance of the model. 2) Our deep convolution neural network model DPN-SE adds a self-attention mechanism to the DPN network. The addition of a self-attention mechanism has greatly improved the performance of the network. 3) Use the Lime interpretable library to mark the feature regions on the X-ray medical image that helps doctors more quickly diagnose COVID-19 in people. Results: Under the same network model, the data with and without data enhancement is put into the model for training respectively. At last, comparing two experimental results: among the 10 network models with different structures, 7 network models have improved their effects after using data enhancement, with an average improvement of 1% in recognition accuracy. We propose that the accuracy and recall rates of the DPN-SE network are 93% and 98% of cases (COVID vs. pneumonia bacteria vs. viral pneumonia vs. normal). Compared with the original DPN, the respective accuracy is improved by 2%. Conclusion: The data augmentation method we used has achieved effective results on a small amount of data set, showing that a reasonable data augmentation method can improve the recognition accuracy without changing the sample size and model structure. Overall, the proposed method and model can effectively become a very useful tool for clinical radiologists.
• Abstract（参考訳）: 背景と目的:新型新型コロナウイルスは「covid-19」とも呼ばれる。 2019年末に普及し、現在では世界中に広まっている。 2020年10月までに3700万人が感染し、100万人が命を奪った。 放射線科医や臨床医が胸部x線を使って新型コロナウイルスの症例を診断し、肺炎の診断的特徴を示すディープラーニングモデルを提案する。 方法:本研究におけるアプローチは,(1)データセットの多様性を向上し,モデルの一般化性能を向上させるためのデータ拡張手法を提案することである。 2) 深部畳み込みニューラルネットワークモデルDPN-SEはDPNネットワークに自己認識機構を付加する。 セルフアテンション機構の追加により,ネットワークの性能が大幅に向上した。 3) 医師がより迅速に新型コロナウイルスを診断するのに役立つX線医学画像の特徴領域を示すために, Lime 解釈ライブラリを用いている。 結果: 同じネットワークモデルの下で、データ拡張の有無に関わらず、それぞれトレーニング用のモデルにデータを置く。 最終的に、異なる構造を持つ10のネットワークモデルのうち、7つのネットワークモデルがデータ拡張を用いて効果を向上し、認識精度が平均1%向上した。 DPN-SEネットワークの精度とリコール率は93%,98%(肺炎菌対ウイルス性肺炎対正常例)であることが示唆された。 元のDPNと比較して、それぞれの精度を2%向上させる。 結論: 筆者らが使用したデータ拡張手法は, 少量のデータセットにおいて有効であり, サンプルサイズやモデル構造を変化させることなく, 合理的なデータ拡張手法によって認識精度の向上が期待できることを示す。 全体として,提案手法とモデルは,臨床放射線医にとって非常に有用なツールとなりうる。

関連論文リスト

• 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)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Increasing Melanoma Diagnostic Confidence: Forcing the Convolutional Network to Learn from the Lesion [0.9143713488498512]
  EfficientNetモデルによりメラノーマ認識を改善する新しい手法を提案する。 モデルは、ネットワークをトレーニングして、病変を検出し、検出された病変から特徴を学習する。 実験の結果,提案手法は受信機動作特性曲線の平均値(平均AUC)を0.9から0.922に高めることにより,診断精度を向上させた。
  論文  参考訳（メタデータ） (2023-05-16T15:34:12Z)
• 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)
• 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)
• Automated Chest CT Image Segmentation of COVID-19 Lung Infection based on 3D U-Net [0.0]
  新型コロナウイルス(COVID-19)は世界中の何十億もの生命に影響を与え、公衆医療に大きな影響を与えている。 新型コロナウイルス感染地域のための革新的な自動セグメンテーションパイプラインを提案する。 本手法は,複数の前処理手法を実行することにより,一意およびランダムな画像パッチをオンザフライで生成する訓練に焦点をあてる。
  論文  参考訳（メタデータ） (2020-06-24T17:29:26Z)
• 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)
• CoroNet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images [0.0]
  CoroNetは、胸部X線画像からCOVID-19感染を自動的に検出するDeep Conceptional Neural Networkモデルである。 提案したモデルは全体の89.6%の精度を達成し、新型コロナウイルス患者の精度とリコール率は93%と98.2%である。
  論文  参考訳（メタデータ） (2020-04-10T07:46:07Z)
• Detection of Coronavirus (COVID-19) Associated Pneumonia based on Generative Adversarial Networks and a Fine-Tuned Deep Transfer Learning Model using Chest X-ray Dataset [4.664495510551646]
  本稿では, 限られたデータセットに対して, 微調整深層移動学習を施したGANを用いた肺炎胸部X線検出法を提案する。 この研究で使用されるデータセットは、正常と肺炎の2つのカテゴリを持つ5863のX線画像で構成されている。
  論文  参考訳（メタデータ） (2020-04-02T08:14:37Z)

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。