論文の概要: Advancement of Deep Learning in Pneumonia and Covid-19 Classification and Localization: A Qualitative and Quantitative Analysis

• arxiv url: http://arxiv.org/abs/2111.08606v1
• Date: Tue, 16 Nov 2021 16:40:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-17 18:11:48.525717
• Title: Advancement of Deep Learning in Pneumonia and Covid-19 Classification and Localization: A Qualitative and Quantitative Analysis
• Title（参考訳）: 肺炎における深層学習の進歩とCovid-19の分類と局在:質的定量的分析
• Authors: Aakash Shah, Manan Shah
• Abstract要約: 肺炎(合併症+胸部X線)とコビッド19(RT-PCR)は、専門の放射線医と時間を必要とする。 ディープラーニングモデルの助けを借りて、肺炎とコビッド19は、胸部X線やCTスキャンから即座に検出できる。
• 参考スコア（独自算出の注目度）: 1.7513645771137178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Around 450 million people are affected by pneumonia every year which results in 2.5 million deaths. Covid-19 has also affected 181 million people which has lead to 3.92 million casualties. The chances of death in both of these diseases can be significantly reduced if they are diagnosed early. However, the current methods of diagnosing pneumonia (complaints + chest X-ray) and covid-19 (RT-PCR) require the presence of expert radiologists and time, respectively. With the help of Deep Learning models, pneumonia and covid-19 can be detected instantly from Chest X-rays or CT scans. This way, the process of diagnosing Pneumonia/Covid-19 can be made more efficient and widespread. In this paper, we aim to elicit, explain, and evaluate, qualitatively and quantitatively, major advancements in deep learning methods aimed at detecting or localizing community-acquired pneumonia (CAP), viral pneumonia, and covid-19 from images of chest X-rays and CT scans. Being a systematic review, the focus of this paper lies in explaining deep learning model architectures which have either been modified or created from scratch for the task at hand wiwth focus on generalizability. For each model, this paper answers the question of why the model is designed the way it is, the challenges that a particular model overcomes, and the tradeoffs that come with modifying a model to the required specifications. A quantitative analysis of all models described in the paper is also provided to quantify the effectiveness of different models with a similar goal. Some tradeoffs cannot be quantified, and hence they are mentioned explicitly in the qualitative analysis, which is done throughout the paper. By compiling and analyzing a large quantum of research details in one place with all the datasets, model architectures, and results, we aim to provide a one-stop solution to beginners and current researchers interested in this field.
• Abstract（参考訳）: 毎年約4億5000万人が肺炎にかかり、250万人が死亡した。 コビッドウイルスは1億8100万人にものぼり、392万人が負傷した。 これらの疾患の死亡確率は、早期に診断されれば著しく低下する可能性がある。 しかし、現在の肺炎の診断方法(complaints + chest x-ray)とcovid-19(rt-pcr)はそれぞれ専門家の放射線技師と時間を必要とする。 ディープラーニングモデルの助けを借りて、肺炎とコビッド19は、胸部X線やCTスキャンから即座に検出できる。 このように、肺炎/covid-19の診断のプロセスはより効率的で広くできる。 本稿では,胸部x線画像とct画像から,地域性肺炎(cap),ウイルス性肺炎,covid-19の検出・局在化を目的とした深層学習法の主要な進歩を,質的・定量的に解明し,評価することを目的とする。 体系的なレビューとして,本論文では,汎用性に重点を置いたタスクに対して,スクラッチから修正あるいは作成したディープラーニングモデルアーキテクチャを説明することを目的とする。 それぞれのモデルについて、モデルがなぜそのように設計されているのか、特定のモデルが克服する課題、要求された仕様にモデルを変更した際のトレードオフ、という疑問に答える。 論文で記述された全てのモデルの定量的分析は、同じ目標で異なるモデルの有効性を定量化するためにも行われる。 いくつかのトレードオフは定量化できないため、論文全体で行われる定性分析で明確に言及されている。 すべてのデータセット、モデルアーキテクチャ、結果とともに、研究の詳細を1箇所にまとめて分析することにより、この分野に関心のある初心者や現在の研究者にワンストップソリューションを提供することを目指している。

関連論文リスト

• Explainable Lung Disease Classification from Chest X-Ray Images Utilizing Deep Learning and XAI [0.0]
  この研究は、異なる肺疾患をウイルス性肺炎、細菌性肺炎、COVID、結核、正常肺の5つのグループに分類することに焦点を当てている。 CNN、ハイブリッドモデル、アンサンブル、トランスフォーマー、Big Transferなど、さまざまなモデルを調査します。 注目すべきは、Xceptionモデルは5倍のクロスバリデーションによって微調整され、96.21%の精度を達成することである。
  論文  参考訳（メタデータ） (2024-04-17T14:34:35Z)
• CoVid-19 Detection leveraging Vision Transformers and Explainable AI [0.0]
  肺疾患は、死因のトップ30のうち5つに原因がある。 早期に肺疾患を診断することが重要である。 ディープラーニングアルゴリズムは、自律的、迅速、そして正確な肺疾患の同定に重要な可能性を秘めている。
  論文  参考訳（メタデータ） (2023-07-29T17:45:27Z)
• 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)
• 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)
• Deep Learning Models May Spuriously Classify Covid-19 from X-ray Images Based on Confounders [1.8321821509675509]
  最近の研究では、深層学習を用いて高精度なモデルを構築し、胸部X線画像からCovid-19を検出することができると主張している。 本稿では,Covid-19病の診断における畳み込みニューラルネットワークモデルの有効性と一般化能力について検討する。
  論文  参考訳（メタデータ） (2021-01-08T21:33:06Z)
• 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)
• 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)
• 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)
• 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-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
  新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。 近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。 本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
  論文  参考訳（メタデータ） (2020-04-30T03:13:40Z)
• CoroNet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images [0.0]
  CoroNetは、胸部X線画像からCOVID-19感染を自動的に検出するDeep Conceptional Neural Networkモデルである。 提案したモデルは全体の89.6%の精度を達成し、新型コロナウイルス患者の精度とリコール率は93%と98.2%である。
  論文  参考訳（メタデータ） (2020-04-10T07:46:07Z)

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。