論文の概要: Tiled sparse coding in eigenspaces for the COVID-19 diagnosis in chest X-ray images

• arxiv url: http://arxiv.org/abs/2106.14724v1
• Date: Mon, 28 Jun 2021 13:50:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 16:43:58.501221
• Title: Tiled sparse coding in eigenspaces for the COVID-19 diagnosis in chest X-ray images
• Title（参考訳）: 胸部x線画像におけるcovid-19診断のための固有空間におけるタイルスパース符号化
• Authors: Juan E. Arco and Andr\'es Ortiz and Javier Ram\'irez and Juan M Gorriz
• Abstract要約: そこで本研究では,異なる病態に関連付けられた肺炎のパターンを特定するために,スパースコーディングに基づく分類フレームワークを提案する。 肺炎の存在を同定する精度は93.85%であり、4級分類では88.11%である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The ongoing crisis of the COVID-19 (Coronavirus disease 2019) pandemic has changed the world. According to the World Health Organization (WHO), 4 million people have died due to this disease, whereas there have been more than 180 million confirmed cases of COVID-19. The collapse of the health system in many countries has demonstrated the need of developing tools to automatize the diagnosis of the disease from medical imaging. Previous studies have used deep learning for this purpose. However, the performance of this alternative highly depends on the size of the dataset employed for training the algorithm. In this work, we propose a classification framework based on sparse coding in order to identify the pneumonia patterns associated with different pathologies. Specifically, each chest X-ray (CXR) image is partitioned into different tiles. The most relevant features extracted from PCA are then used to build the dictionary within the sparse coding procedure. Once images are transformed and reconstructed from the elements of the dictionary, classification is performed from the reconstruction errors of individual patches associated with each image. Performance is evaluated in a real scenario where simultaneously differentiation between four different pathologies: control vs bacterial pneumonia vs viral pneumonia vs COVID-19. The accuracy when identifying the presence of pneumonia is 93.85%, whereas 88.11% is obtained in the 4-class classification context. The excellent results and the pioneering use of sparse coding in this scenario evidence the applicability of this approach as an aid for clinicians in a real-world environment.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)のパンデミック(coonavirus disease 2019)の現在進行中の危機は、世界を変えた。 世界保健機関(who)によると、この病気により400万人が死亡した。 多くの国で医療システムの崩壊は、医療画像から疾患の診断を自動化するためのツールの開発の必要性を実証した。 これまでの研究では、この目的のために深層学習が用いられてきた。 しかし、この代替手段の性能はアルゴリズムのトレーニングに使用されるデータセットのサイズに大きく依存する。 そこで本研究では,異なる病態に関連付けられた肺炎パターンを特定するために,スパースコーディングに基づく分類フレームワークを提案する。 具体的には、各胸部X線像(CXR)を異なるタイルに分割する。 PCAから抽出された最も関連性の高い機能は、スパースコーディング手順内で辞書を構築するために使用される。 辞書の要素から画像が変換され再構成されると、各画像に関連付けられた個々のパッチの再構成エラーから分類が行われる。 細菌性肺炎、ウイルス性肺炎、covid-19の4つの病因を同時に区別する実際のシナリオでパフォーマンスを評価する。 肺炎の存在を同定する精度は93.85%であり、4級分類では88.11%である。 このシナリオにおけるスパースコーディングの優れた結果と先駆的利用は、このアプローチが実際の環境における臨床医の助けとなる可能性を示している。

関連論文リスト

• Classification of COVID-19 on chest X-Ray images using Deep Learning model with Histogram Equalization and Lungs Segmentation [1.6019444314820142]
  本研究は,胸部X線を用いたコビッドウイルス感染肺の検出のためのディープラーニングアーキテクチャに基づく研究である。 我々の新しいアプローチは、よく知られた前処理技術、特徴抽出法、およびデータセットバランス法を組み合わせることで、優れた98%の認識率をもたらす。
  論文  参考訳（メタデータ） (2021-12-05T05:04:38Z)
• Study on Transfer Learning Capabilities for Pneumonia Classification in Chest-X-Rays Image [11.076902397190961]
  本研究では,トランスファーラーニングパラダイムを用いて,確立されたニューラルネットワークアーキテクチャが肺炎分類課題に及ぼす影響について検討する。 総合的な比較をするために、よく知られた12のImageNet事前訓練モデルを微調整し、健康な人の胸部X線を識別するために使用した。 実験は、合計6330枚の画像を使用して、列車、検証、テストセットに分割された。
  論文  参考訳（メタデータ） (2021-10-06T14:00:18Z)
• 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)
• Probabilistic combination of eigenlungs-based classifiers for COVID-19 diagnosis in chest CT images [6.1020196190084555]
  新型コロナウイルスの感染者数は1億人以上で、2400万人以上が死亡している。 胸部X線(CXR)や胸部CT(CCT)などの医療画像の使用は、優れたソリューションであることが証明されています。 肺炎パターンを同定するために,確率的支援ベクトルマシン(SVM)に基づくアンサンブル分類器を提案する。
  論文  参考訳（メタデータ） (2021-03-04T11:30:38Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• 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)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)
• JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
  新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。 感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。 本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
  論文  参考訳（メタデータ） (2020-04-15T12:30:40Z)
• COVID-19 identification in chest X-ray images on flat and hierarchical classification scenarios [0.06157382820537718]
  新型コロナウイルスは重篤な肺炎を引き起こす可能性があり、医療システムに高い影響を与えると推定されている。 本研究の目的は、CXR画像のみを用いて、他のタイプや健康な肺から新型コロナウイルスによる肺炎を同定することである。
  論文  参考訳（メタデータ） (2020-04-13T09:22:32Z)

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。