論文の概要: CXR-Net: An Encoder-Decoder-Encoder Multitask Deep Neural Network for
Explainable and Accurate Diagnosis of COVID-19 pneumonia with Chest X-ray
Images
- arxiv url: http://arxiv.org/abs/2110.10813v1
- Date: Wed, 20 Oct 2021 22:50:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-23 10:58:53.838339
- Title: CXR-Net: An Encoder-Decoder-Encoder Multitask Deep Neural Network for
Explainable and Accurate Diagnosis of COVID-19 pneumonia with Chest X-ray
Images
- Title（参考訳）: cxr-net : 胸部x線画像を用いたcovid-19肺炎の診断と診断のためのエンコーダ・デコーダ・エンコーダ・マルチタスクディープニューラルネットワーク
- Authors: Xin Zhang, Liangxiu Han, Tam Sobeih, Lianghao Han, Nina Dempsey,
Symeon Lechareas, Ascanio Tridente, Haoming Chen, Stephen White
- Abstract要約: そこで本研究では,CXRNetを用いた新型コロナウイルス検出のための新しいディープラーニングフレームワークを提案する。
提案するフレームワークは,新しいマルチタスクアーキテクチャに基づいており,疾患の分類と視覚的説明が可能である。
実験結果から,提案手法は良好な精度が得られることが示された。
- 参考スコア（独自算出の注目度）: 2.2098092675263423
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and rapid detection of COVID-19 pneumonia is crucial for optimal
patient treatment. Chest X-Ray (CXR) is the first line imaging test for
COVID-19 pneumonia diagnosis as it is fast, cheap and easily accessible.
Inspired by the success of deep learning (DL) in computer vision, many
DL-models have been proposed to detect COVID-19 pneumonia using CXR images.
Unfortunately, these deep classifiers lack the transparency in interpreting
findings, which may limit their applications in clinical practice. The existing
commonly used visual explanation methods are either too noisy or imprecise,
with low resolution, and hence are unsuitable for diagnostic purposes. In this
work, we propose a novel explainable deep learning framework (CXRNet) for
accurate COVID-19 pneumonia detection with an enhanced pixel-level visual
explanation from CXR images. The proposed framework is based on a new
Encoder-Decoder-Encoder multitask architecture, allowing for both disease
classification and visual explanation. The method has been evaluated on real
world CXR datasets from both public and private data sources, including:
healthy, bacterial pneumonia, viral pneumonia and COVID-19 pneumonia cases The
experimental results demonstrate that the proposed method can achieve a
satisfactory level of accuracy and provide fine-resolution classification
activation maps for visual explanation in lung disease detection. The Average
Accuracy, the Precision, Recall and F1-score of COVID-19 pneumonia reached
0.879, 0.985, 0.992 and 0.989, respectively. We have also found that using lung
segmented (CXR) images can help improve the performance of the model. The
proposed method can provide more detailed high resolution visual explanation
for the classification decision, compared to current state-of-the-art visual
explanation methods and has a great potential to be used in clinical practice
for COVID-19 pneumonia diagnosis.
- Abstract（参考訳）: 新型コロナウイルス肺炎の正確な迅速検出は最適な治療に不可欠である。
Chest X-Ray(CXR)は、新型コロナウイルスの肺炎診断のための最初の線画像検査である。
コンピュータビジョンにおけるディープラーニング(DL)の成功に触発された多くのDLモデルが、CXR画像を用いて新型コロナウイルス肺炎を検出するために提案されている。
残念ながら、これらの深層分類器は発見を解釈する透明性に欠けており、臨床における応用を制限する可能性がある。
既存の一般的な視覚的説明法はノイズが多いか不正確であり、解像度が低いため、診断には適さない。
本研究では,CXR画像からのピクセルレベルの視覚的説明を改良した,新型コロナウイルスの正確な肺炎検出のための新しい説明可能なディープラーニングフレームワーク(CXRNet)を提案する。
提案するフレームワークはEncoder-Decoder-Encoderマルチタスクアーキテクチャをベースにしており、病気の分類と視覚的説明が可能である。
本手法は, 健康, 細菌性肺炎, ウイルス性肺炎, COVID-19肺炎の患者を含む, 公共および民間のデータソースから得られた実世界のCXRデータセットを用いて評価され, 提案手法が良好な精度を達成でき, 肺疾患検出における視覚的説明のための詳細な分類アクティベーションマップを提供することを示す実験結果が得られた。
平均精度, 精度, リコール, F1スコアはそれぞれ0.879, 0.985, 0.992, 0.989であった。
また,肺分画(CXR)画像を用いることで,モデルの性能向上が期待できることがわかった。
提案手法は,現在の最先端の視覚的な説明法と比較して,分類決定のより詳細な高分解能な視覚的説明を提供することができ,新型コロナウイルスの診断に臨床応用の可能性も高い。
関連論文リスト
- COVID-19 Detection Based on Self-Supervised Transfer Learning Using
Chest X-Ray Images [38.65823547986758]
胸部X線(CXR)画像から新型コロナウイルスを検出するための自己教師伝達学習法を提案する。
オープンなCOVID-19 CXRデータセットの定量的評価と,視覚検査のための質的結果について検討した。
論文 参考訳（メタデータ） (2022-12-19T07:10:51Z) - Optimising Chest X-Rays for Image Analysis by Identifying and Removing
Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。
公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。
我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-22T13:57:04Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - 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) - Pinball-OCSVM for early-stage COVID-19 diagnosis with limited
posteroanterior chest X-ray images [3.4935179780034247]
本研究は、新型コロナウイルス陽性のCXRサンプルを限定した状態で動作可能な、ピンボール損失関数に基づく1クラスサポートベクターマシン(PB-OCSVM)を提案する。
提案モデルの性能は従来のOCSVMや既存のディープラーニングモデルと比較し,実験結果から,提案モデルが最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2020-10-16T02:34:15Z) - Improving performance of CNN to predict likelihood of COVID-19 using
chest X-ray images with preprocessing algorithms [0.3180570080674292]
本研究は,胸部X線画像のコンピュータ支援診断手法の開発の可能性を示した。
8,474個の胸部X線画像のデータセットを使用して、CNNベースのCADスキームをトレーニングし、テストする。
検査結果は、3つのクラスを分類する際の総合的精度の94.0%、コビッドウイルスの感染者を検出する際の精度の98.6%を達成している。
論文 参考訳（メタデータ） (2020-06-11T16:45:46Z) - 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) - 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) - Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray
images using fine-tuned deep neural networks [4.294650528226683]
新型コロナウイルスは肺炎に似た呼吸器症候群である。
科学者、研究者、医療専門家は、肺感染症の特定によって、新型コロナウイルスの迅速かつ自動化された診断に貢献している。
本稿では,様々な最先端ディープラーニング手法における非バイアスの微調整学習(トランスファーラーニング)に対するランダムなオーバーサンプリングと重み付きクラス損失関数アプローチを提案する。
論文 参考訳（メタデータ） (2020-04-23T10:24:34Z)
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。