論文の概要: A Data Augmented Approach to Transfer Learning for Covid-19 Detection
- arxiv url: http://arxiv.org/abs/2108.02870v1
- Date: Thu, 5 Aug 2021 22:23:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-10 00:53:10.424040
- Title: A Data Augmented Approach to Transfer Learning for Covid-19 Detection
- Title（参考訳）: Covid-19検出のためのトランスファー学習のためのデータ拡張アプローチ
- Authors: Shagufta Henna, Aparna Reji
- Abstract要約: 早期のコビッドウイルス検出は、その拡散を防ぐための効果的な治療と隔離計画に役立つ。
近年、X線、超音波、CTスキャンを用いたコビッド19の検出にトランスファーラーニングが用いられている。
これらの提案手法に固有の大きな制限の1つは、ラベル付きデータセットのサイズ制限である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Covid-19 detection at an early stage can aid in an effective treatment and
isolation plan to prevent its spread. Recently, transfer learning has been used
for Covid-19 detection using X-ray, ultrasound, and CT scans. One of the major
limitations inherent to these proposed methods is limited labeled dataset size
that affects the reliability of Covid-19 diagnosis and disease progression. In
this work, we demonstrate that how we can augment limited X-ray images data by
using Contrast limited adaptive histogram equalization (CLAHE) to train the
last layer of the pre-trained deep learning models to mitigate the bias of
transfer learning for Covid-19 detection. We transfer learned various
pre-trained deep learning models including AlexNet, ZFNet, VGG-16, ResNet-18,
and GoogLeNet, and fine-tune the last layer by using CLAHE-augmented dataset.
The experiment results reveal that the CLAHE-based augmentation to various
pre-trained deep learning models significantly improves the model efficiency.
The pre-trained VCG-16 model with CLAHEbased augmented images achieves a
sensitivity of 95% using 15 epochs. AlexNet works show good sensitivity when
trained on non-augmented data. Other models demonstrate a value of less than
60% when trained on non-augmented data. Our results reveal that the sample bias
can negatively impact the performance of transfer learning which is
significantly improved by using CLAHE-based augmentation.
- Abstract（参考訳）: 早期のコビッドウイルス検出は、その拡散を防ぐための効果的な治療と隔離計画に役立つ。
近年、X線、超音波、CTスキャンを用いたコビッド19の検出にトランスファーラーニングが用いられている。
これらの方法に固有の大きな制限の1つは、Covid-19の診断と疾患進行の信頼性に影響を与えるラベル付きデータセットサイズである。
本研究では、コントラスト限定適応ヒストグラム等化(CLAHE)を用いて制限X線画像データを拡張し、事前学習したディープラーニングモデルの最後の層をトレーニングし、Covid-19検出のための転写学習のバイアスを軽減する方法を示す。
我々は、AlexNet、ZFNet、VGG-16、ResNet-18、GoogLeNetといった事前学習されたディープラーニングモデルを学び、CLAHE拡張データセットを使用して最後のレイヤを微調整した。
実験の結果, CLAHEに基づく様々な事前学習深層学習モデルへの拡張は, モデル効率を著しく向上させることがわかった。
CLAHE画像を用いた事前学習VCG-16モデルは15エポックを用いて95%の感度を実現する。
alexnet worksは、非提供データでトレーニングした場合の感度が良好である。
他のモデルは、強化されていないデータでトレーニングされたときに60%未満の値を示す。
以上の結果から, CLAHE法を用いて, サンプルバイアスが伝達学習の性能に悪影響を及ぼす可能性が示唆された。
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) - An Ensemble Deep Learning Approach for COVID-19 Severity Prediction
Using Chest CT Scans [8.512389316218943]
胸部CTによる重症度予測について検討した。
我々は複数のニューラルネットワークを組み込んで予測を改善するアンサンブル深層学習モデルを開発した。
論文 参考訳（メタデータ） (2023-05-17T10:43:15Z) - 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) - Boosting Automatic COVID-19 Detection Performance with Self-Supervised
Learning and Batch Knowledge Ensembling [38.65823547986758]
既存の方法は、通常、事前訓練プロセスとして、自然画像からの教師あり転送学習を使用する。
バッチ知識を微調整フェーズに導入し,自己教師型学習に使用するメモリを削減した。
本手法は,注釈付きCXR訓練画像が大幅に縮小された場合でも高い検出精度を維持する。
論文 参考訳（メタデータ） (2022-12-19T07:39:26Z) - 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) - COVID-19 detection from scarce chest x-ray image data using deep
learning [0.0]
現在の新型コロナウイルスのパンデミックでは、感染した患者を迅速かつ正確に検査する必要がある。
胸部x線画像で訓練されたディープラーニングモデルを使うことは、新型コロナウイルス患者のスクリーニングに効果的な方法となる。
少数の学習は、少ないデータ量で目的を学ぶことを目的とした機械学習のサブフィールドです。
論文 参考訳（メタデータ） (2021-02-11T22:06:03Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - 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) - 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) - COVID-ResNet: A Deep Learning Framework for Screening of COVID19 from
Radiographs [1.9798034349981157]
新型コロナウイルスと他の肺炎を鑑別するための正確な畳み込みニューラルネットワークフレームワークを提案する。
本研究は,モデル性能を向上させるために,トレーニング済みのResNet-50アーキテクチャを微調整する3段階の手法を提案する。
このモデルは、新型コロナウイルスの早期スクリーニングに役立ち、医療システムの負担軽減に役立つ。
論文 参考訳（メタデータ） (2020-03-31T17:42:28Z)
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。