論文の概要: Evolving Deep Convolutional Neural Network by Hybrid Sine-Cosine and
Extreme Learning Machine for Real-time COVID19 Diagnosis from X-Ray Images
- arxiv url: http://arxiv.org/abs/2105.14192v1
- Date: Fri, 14 May 2021 19:40:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 08:50:50.805381
- Title: Evolving Deep Convolutional Neural Network by Hybrid Sine-Cosine and
Extreme Learning Machine for Real-time COVID19 Diagnosis from X-Ray Images
- Title（参考訳）: X線画像からのリアルタイムCOVID19診断のためのハイブリッドシンコサインとエクストリーム学習マシンによる深部畳み込みニューラルネットワークの進化
- Authors: Wu Chao, Mohammad Khishe, Mokhtar Mohammadi, Sarkhel H. Taher Karim,
Tarik A. Rashid
- Abstract要約: ディープ・コンボリューショナル・ネットワーク(CNN)は、COVID-19陽性症例の診断に応用できるツールとみなすことができる。
本稿では,最後の完全接続層ではなく,ELM(Extreme Learning Machine)を用いることを提案する。
提案手法は、COVID-Xray-5kデータセットで98.83%の最終的な精度で比較ベンチマークを上回っている。
- 参考スコア（独自算出の注目度）: 0.5249805590164902
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The COVID19 pandemic globally and significantly has affected the life and
health of many communities. The early detection of infected patients is
effective in fighting COVID19. Using radiology (X-Ray) images is perhaps the
fastest way to diagnose the patients. Thereby, deep Convolutional Neural
Networks (CNNs) can be considered as applicable tools to diagnose COVID19
positive cases. Due to the complicated architecture of a deep CNN, its
real-time training and testing become a challenging problem. This paper
proposes using the Extreme Learning Machine (ELM) instead of the last fully
connected layer to address this deficiency. However, the parameters' stochastic
tuning of ELM's supervised section causes the final model unreliability.
Therefore, to cope with this problem and maintain network reliability, the
sine-cosine algorithm was utilized to tune the ELM's parameters. The designed
network is then benchmarked on the COVID-Xray-5k dataset, and the results are
verified by a comparative study with canonical deep CNN, ELM optimized by
cuckoo search, ELM optimized by genetic algorithm, and ELM optimized by whale
optimization algorithm. The proposed approach outperforms comparative
benchmarks with a final accuracy of 98.83% on the COVID-Xray-5k dataset,
leading to a relative error reduction of 2.33% compared to a canonical deep
CNN. Even more critical, the designed network's training time is only 0.9421
milliseconds and the overall detection test time for 3100 images is 2.721
seconds.
- Abstract（参考訳）: 世界的なcovid-19パンデミックは、多くのコミュニティの生活と健康に大きな影響を与えている。
感染した患者の早期発見は、COVID19と戦うのに有効である。
放射線画像(X線画像)は、おそらく患者を診断する最速の方法である。
これにより、深層畳み込みニューラルネットワーク(cnns)は、covid-19陽性症例の診断に応用できると考えられる。
深層CNNの複雑なアーキテクチャのため、リアルタイムのトレーニングとテストは難しい問題となっている。
本稿では,最後の完全接続層ではなく,ELM(Extreme Learning Machine)を用いることを提案する。
しかし、EMMの教師付きセクションのパラメータの確率的チューニングは最終的なモデルの信頼性を損なう。
したがって、この問題に対処し、ネットワーク信頼性を維持するために、sine-cosineアルゴリズムを用いてelmのパラメータをチューニングした。
設計されたネットワークはcovid-19-xray-5kデータセット上でベンチマークされ、結果はcanonical deep cnn、cuckoo searchにより最適化されたelm、genetic algorithmによって最適化されたelm、h whale optimizationアルゴリズムによって最適化されたelmによって検証される。
提案手法は、COVID-Xray-5kデータセットで98.83%の最終的な精度で比較ベンチマークを上回り、正準深度CNNと比較して相対誤差が2.33%減少した。
さらに重要なのは、ネットワークのトレーニング時間は0.0421ミリ秒であり、3100画像の全体的な検出テスト時間は2.721秒である。
関連論文リスト
- 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) - 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) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Severity classification of ground-glass opacity via 2-D convolutional
neural network and lung CT scans: a 3-day exploration [0.0]
グラウンドグラスの不透明度は、COVID-19や肺炎、肺線維症、結核など、多くの肺疾患の指標である。
本稿では,3日間にわたって実施,テストされた概念実証フレームワークについて,第3の課題である「COVID-19コンペティション」による実験的結果を示す。
課題の要件の一部として、このエクササイズ中に生成されたソースコードはhttps://github.com/lisatwyw/cov19.comに投稿されている。
論文 参考訳（メタデータ） (2023-03-23T22:35:37Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - An Efficient End-to-End Deep Neural Network for Interstitial Lung
Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。
提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。
128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文 参考訳（メタデータ） (2022-04-21T06:36:10Z) - Real-Time COVID-19 Diagnosis from X-Ray Images Using Deep CNN and
Extreme Learning Machines Stabilized by Chimp Optimization Algorithm [3.67350413975883]
本稿では,胸部X線画像の分類のための新しい2段階アプローチを提案する。
第1フェーズでは、機能抽出器として機能するディープCNNをトレーニングし、第2フェーズでは、リアルタイム検出にELM(Extreme Learning Machines)を使用する。
提案手法は、他の比較ベンチマークの98.25%と99.11%を、COVID-Xray-5kとCOVIDetectioNetデータセットの最終的な精度で上回る。
論文 参考訳（メタデータ） (2021-05-14T20:04:04Z) - 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) - Accurate Tumor Tissue Region Detection with Accelerated Deep
Convolutional Neural Networks [12.7414209590152]
がん診断のための手動の病理診断は、退屈で反復的である。
我々のアプローチであるFLASHは、ディープ畳み込みニューラルネットワーク(DCNN)アーキテクチャに基づいている。
計算コストを削減し、一般的なディープラーニングアプローチよりも2桁の速さで高速である。
論文 参考訳（メタデータ） (2020-04-18T08:24:27Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z)
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。