論文の概要: Explanatory Analysis and Rectification of the Pitfalls in COVID-19 Datasets

• arxiv url: http://arxiv.org/abs/2111.05679v1
• Date: Wed, 10 Nov 2021 13:38:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-11 17:29:55.845466
• Title: Explanatory Analysis and Rectification of the Pitfalls in COVID-19 Datasets
• Title（参考訳）: COVID-19データセットにおける落とし穴の解明と再現
• Authors: Samyak Prajapati, Japman Singh Monga, Shaanya Singh, Amrit Raj, Yuvraj Singh Champawat, Chandra Prakash
• Abstract要約: 2020年に新型コロナウイルス(COVID-19)が流行して以来、何百万人もの人々がこの致命的なウイルスに感染している。 世界中の研究者が、Chest X-Raysを使って新型コロナウイルスを検出するためのディープラーニングベースの手法を提案している。 公開されているChest X-Rayデータセットのバイアスの存在に関する疑問が提起されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since the onset of the COVID-19 pandemic in 2020, millions of people have succumbed to this deadly virus. Many attempts have been made to devise an automated method of testing that could detect the virus. Various researchers around the globe have proposed deep learning based methodologies to detect the COVID-19 using Chest X-Rays. However, questions have been raised on the presence of bias in the publicly available Chest X-Ray datasets which have been used by the majority of the researchers. In this paper, we propose a 2 staged methodology to address this topical issue. Two experiments have been conducted as a part of stage 1 of the methodology to exhibit the presence of bias in the datasets. Subsequently, an image segmentation, super-resolution and CNN based pipeline along with different image augmentation techniques have been proposed in stage 2 of the methodology to reduce the effect of bias. InceptionResNetV2 trained on Chest X-Ray images that were augmented with Histogram Equalization followed by Gamma Correction when passed through the pipeline proposed in stage 2, yielded a top accuracy of 90.47% for 3-class (Normal, Pneumonia, and COVID-19) classification task.
• Abstract（参考訳）: 2020年の新型コロナウイルスのパンデミック以降、何百万人もの人々がこの致命的なウイルスに感染している。 ウイルスを検出できる自動検査方法を考案するために、多くの試みがなされている。 世界中の研究者が、胸部x線を使って新型コロナウイルスを検出するディープラーニングベースの手法を提案している。 しかし、研究者の大多数が使用しているChest X-Rayデータセットのバイアスの存在に関する疑問が提起されている。 本稿では,この問題に対処する2段階の方法論を提案する。 データセットにバイアスの存在を示すための方法論のステージ1の一部として、2つの実験が実施された。 その後,バイアスの影響を低減するため,画像分割,超解像,cnnベースのパイプラインと異なる画像拡張技術が,第2段階において提案されている。 InceptionResNetV2は、ヒストグラム等化で強化された胸部X線画像をトレーニングし、ステージ2で提案されたパイプラインを通過するとガンマ補正を行い、3クラス(Normal、Pneumonia、COVID-19)の分類タスクの最高精度は90.47%となった。

関連論文リスト

• 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)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• 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)
• A Deep Learning Approach for the Detection of COVID-19 from Chest X-Ray Images using Convolutional Neural Networks [0.0]
  COVID-19(コロナウイルス)は、重症急性呼吸器症候群ウイルス(SARS-CoV-2)によるパンデミックである。 2019年12月中旬、中国武漢の湖北省で初感染が確認された。 全世界で7550万件以上が確認され、167万件以上が死亡している。
  論文  参考訳（メタデータ） (2022-01-24T21:12:25Z)
• 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)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Randomly Initialized Convolutional Neural Network for the Recognition of COVID-19 using X-ray Images [0.0]
  新型コロナウイルス(COVID-19)は世界的なパンデミックと宣言されている。 COVID-19を検出するための潜在的な解決策の1つは、ディープラーニング(DL)モデルを使用して胸部X線画像を分析することである。 本研究では,新型コロナウイルスの認識のための新しいCNNアーキテクチャを提案する。 提案したCNNモデルでは、それぞれ94%と99%の精度で、COVID-19データセットが強化されている。
  論文  参考訳（メタデータ） (2021-05-17T23:40:37Z)
• RANDGAN: Randomized Generative Adversarial Network for Detection of COVID-19 in Chest X-ray [0.0]
  新型コロナウイルス(COVID-19)が世界中に広がる中で、医療機関は患者を診断し、必要な頻度で検査する能力を失っている。 研究は、胸部X線でウイルス性細菌性肺炎から新型コロナウイルスを検出できる有望な結果を示している。 本研究では,ラベルやトレーニングデータを必要とせず,未知のクラス(COVID-19)の画像を検出するランダム化生成敵ネットワーク(RANDGAN)を提案する。
  論文  参考訳（メタデータ） (2020-10-06T15:58:09Z)
• Multi-Task Driven Explainable Diagnosis of COVID-19 using Chest X-ray Images [61.24431480245932]
  COVID-19 Multi-Task Networkは、新型コロナウイルススクリーニングのためのエンドツーエンドネットワークである。 我々は,ChestXray-14,CheXpertおよび統合型COVID-19データセットから採取した9000個の前頭胸部X線写真から肺領域を手動で注釈した。 このデータベースは研究コミュニティに公開されます。
  論文  参考訳（メタデータ） (2020-08-03T12:52:23Z)
• 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)
• Deep Learning for Screening COVID-19 using Chest X-Ray Images [0.2062593640149623]
  深層ニューラルネットワークを学習するためのドメイン拡張伝達学習(DETL)という新しい概念を提案する。 我々は、トレーニング済みの深部畳み込みニューラルネットワークを持つDETLを、関連する大きな胸部X線データセットに採用する。 胸部X線による新型コロナウイルスの診断の可能性を評価するため、5倍のクロスバリデーションを行う。
  論文  参考訳（メタデータ） (2020-04-22T11:41:50Z)

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。