論文の概要: Study on Transfer Learning Capabilities for Pneumonia Classification in Chest-X-Rays Image

• arxiv url: http://arxiv.org/abs/2110.02780v1
• Date: Wed, 6 Oct 2021 14:00:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-07 14:15:32.821041
• Title: Study on Transfer Learning Capabilities for Pneumonia Classification in Chest-X-Rays Image
• Title（参考訳）: 胸部x線画像における肺炎分類のための転送学習能力の検討
• Authors: Danilo Avola, Andrea Bacciu, Luigi Cinque, Alessio Fagioli, Marco Raoul Marini, Riccardo Taiello
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.076902397190961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the last year, the severe acute respiratory syndrome coronavirus-2 (SARS-CoV-2) and its variants have highlighted the importance of screening tools with high diagnostic accuracy for new illnesses such as COVID-19. To that regard, deep learning approaches have proven as effective solutions for pneumonia classification, especially when considering chest-x-rays images. However, this lung infection can also be caused by other viral, bacterial or fungi pathogens. Consequently, efforts are being poured toward distinguishing the infection source to help clinicians to diagnose the correct disease origin. Following this tendency, this study further explores the effectiveness of established neural network architectures on the pneumonia classification task through the transfer learning paradigm. To present a comprehensive comparison, 12 well-known ImageNet pre-trained models were fine-tuned and used to discriminate among chest-x-rays of healthy people, and those showing pneumonia symptoms derived from either a viral (i.e., generic or SARS-CoV-2) or bacterial source. Furthermore, since a common public collection distinguishing between such categories is currently not available, two distinct datasets of chest-x-rays images, describing the aforementioned sources, were combined and employed to evaluate the various architectures. The experiments were performed using a total of 6330 images split between train, validation and test sets. For all models, common classification metrics were computed (e.g., precision, f1-score) and most architectures obtained significant performances, reaching, among the others, up to 84.46% average f1-score when discriminating the 4 identified classes. Moreover, confusion matrices and activation maps computed via the Grad-CAM algorithm were also reported to present an informed discussion on the networks classifications.
• Abstract（参考訳）: 昨年、重症急性呼吸器症候群ウイルス(SARS-CoV-2)とその変異体は、新型コロナウイルスなどの新規疾患の診断精度の高いスクリーニングツールの重要性を強調した。 その意味で、深層学習アプローチは、特に胸部X線画像を考える場合、肺炎分類の有効な解決策として証明されている。 しかし、この肺感染症は、他のウイルス、細菌または真菌病原体によっても引き起こされる。 その結果、臨床医が正しい病原体の診断に役立てるために、感染源を区別する努力が注がれている。 この傾向に従い、本研究は、肺炎分類タスクにおける確立されたニューラルネットワークアーキテクチャの有効性を、トランスファー学習パラダイムを通じてさらに探究する。 本研究の包括的比較として,精細に調整し,健常者の胸部x線像と,ウイルス性肺炎(総称またはsars-cov-2)または細菌由来の肺炎像の鑑別に用いた。 さらに、これらのカテゴリを区別する共通の公開コレクションが現在利用できないため、上記のソースを記述した胸部X線画像の2つの異なるデータセットを組み合わせて、様々なアーキテクチャの評価を行った。 実験は、列車、バリデーション、テストセットを分割した合計6330枚の画像を用いて行われた。 すべてのモデルにおいて、一般的な分類基準(例えば、精度、f1スコア)が計算され、ほとんどのアーキテクチャは、4つの識別されたクラスを識別すると84.46%の平均f1スコアまで到達した。 さらに、Grad-CAMアルゴリズムを用いて計算した混乱行列とアクティベーションマップも報告し、ネットワーク分類に関する情報交換を行った。

関連論文リスト

• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Tiled sparse coding in eigenspaces for the COVID-19 diagnosis in chest X-ray images [0.0]
  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。
  論文  参考訳（メタデータ） (2021-06-28T13:50:31Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Uncertainty-driven ensembles of deep architectures for multiclass classification. Application to COVID-19 diagnosis in chest X-ray images [8.103053617559748]
  最近の新型コロナウイルスのパンデミックは、肺炎の診断を自動化するシステムの開発システムの必要性を示している。 CNNは、医療画像の自動分類に優れた選択肢であることが証明されている。 ベイズ深層学習に基づく多段階アンサンブル分類システムを提案する。
  論文  参考訳（メタデータ） (2020-11-27T14:06:25Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• COVID-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
  胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。 本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
  論文  参考訳（メタデータ） (2020-05-26T16:33:52Z)
• 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)
• 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)
• Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware Anomaly Detection [86.81773672627406]
  短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。 胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。 ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
  論文  参考訳（メタデータ） (2020-03-27T11:32:18Z)
• Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia [10.225348237731787]
  新型コロナウイルスのCT像は、インフルエンザウイルス性肺炎など他の種類のウイルス性肺炎と異なる独自の特徴を持つ。 本研究は, 深層学習技術を用いて, インフルエンザとインフルエンザウイルスの鑑別を行う早期スクリーニングモデルを確立することを目的とした。
  論文  参考訳（メタデータ） (2020-02-21T14:44:21Z)

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。