Fugu-MT 論文翻訳(概要): COVID-19 Detection on Chest X-Ray Images: A comparison of CNN architectures and ensembles

論文の概要: COVID-19 Detection on Chest X-Ray Images: A comparison of CNN architectures and ensembles

arxiv url: http://arxiv.org/abs/2111.09972v1
Date: Thu, 18 Nov 2021 23:28:21 GMT
ステータス: 処理完了
システム内更新日: 2021-11-22 15:52:29.081247
Title: COVID-19 Detection on Chest X-Ray Images: A comparison of CNN architectures and ensembles
Title（参考訳）: 胸部X線画像におけるCOVID-19検出:CNNアーキテクチャとアンサンブルの比較
Authors: Fabricio Breve
Abstract要約: 畳み込みニューラルネットワーク(CNN)は、しばしば自動画像分類に使われ、CXR診断に非常に有用である。本稿では、CXR画像中のCOVID-19を識別するタスクにおいて、21の異なるCNNアーキテクチャをテスト、比較する。最も優れたCNNのインスタンス結果はDenseNet169で達成され、精度は98.15%、F1スコアは98.12%だった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: COVID-19 quickly became a global pandemic after only four months of its first detection. It is crucial to detect this disease as soon as possible to decrease its spread. The use of chest X-ray (CXR) images became an effective screening strategy, complementary to the reverse transcription-polymerase chain reaction (RT-PCR). Convolutional neural networks (CNNs) are often used for automatic image classification and they can be very useful in CXR diagnostics. In this paper, 21 different CNN architectures are tested and compared in the task of identifying COVID-19 in CXR images. They were applied to the COVIDx8B dataset, which is the largest and more diverse COVID-19 dataset available. Ensembles of CNNs were also employed and they showed better efficacy than individual instances. The best individual CNN instance results were achieved by DenseNet169, with an accuracy of 98.15% and an F1 score of 98.12%. These were further increased to 99.25% and 99.24%, respectively, through an ensemble with five instances of DenseNet169. These results are higher than those obtained in recent works using the same dataset.
Abstract（参考訳）: 新型コロナウイルス(covid-19)は、最初の検出からわずか4ヶ月で急速に世界的なパンデミックとなった。この病気をできるだけ早く検出し、拡散を減少させることが重要である。胸部X線画像(CXR)は, 逆転写-ポリメラーゼ鎖反応(RT-PCR)と相補的に, 効果的なスクリーニング戦略となった。畳み込みニューラルネットワーク(cnns)は、画像の自動分類によく用いられ、cxr診断において非常に有用である。本稿では、CXR画像中のCOVID-19を識別するタスクにおいて、21の異なるCNNアーキテクチャをテストする。それらは、最も大きく、より多様なCOVID-19データセットであるCOVIDx8Bデータセットに適用された。 CNNのアンサンブルも採用され、個々のインスタンスよりも効果が高かった。最も優れたCNNのインスタンス結果はDenseNet169で達成され、精度は98.15%、F1スコアは98.12%だった。さらに99.25%と99.24%に増加し、5つのDenseNet169がアンサンブルされた。これらの結果は、同じデータセットを用いた最近の研究で得られたものよりも高い。

関連論文リスト

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)
COVIDx CXR-3: A Large-Scale, Open-Source Benchmark Dataset of Chest X-ray Images for Computer-Aided COVID-19 Diagnostics [69.55060769611916]
RT-PCR検査の補助的スクリーニング戦略としての胸部X線撮影(CXR)の利用が増加している。 CXRイメージングに基づく新型コロナウイルススクリーニングのための多くの視覚知覚モデルが提案されている。我々は、COVID-19コンピュータビジョン研究を支援するために、CXR画像の大規模なベンチマークデータセットであるCOVIDx CXR-3を紹介する。
論文参考訳（メタデータ） (2022-06-08T04:39:44Z)
The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
論文参考訳（メタデータ） (2021-09-18T02:28:01Z)
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)
Fusion of convolution neural network, support vector machine and Sobel filter for accurate detection of COVID-19 patients using X-ray images [14.311213877254348]
新型コロナウイルス(COVID-19)は現在、世界中で流行する最も一般的な伝染病である。新型コロナウイルスの感染拡大を防ぐために, 迅速診断のための臨床手順とともに, 自動診断システムを使用することが不可欠である。本研究では, コンボリューションニューラルネットワーク(CNN), サポートベクターマシン(SVM), ソベルフィルタを融合させて, X線画像を用いたCOVID-19の検出を提案する。
論文参考訳（メタデータ） (2021-02-13T08:08:36Z)
Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19 Using Convolutional Neural Network [2.752817022620644]
最近の研究で、新型コロナウイルス患者のX線写真には、新型コロナウイルスに関する情報が含まれていることが示されている。胸部X線(CXR)は、高速な撮像時間、広範囲の可用性、低コスト、可搬性から注目されている。本研究では、CXR画像から新型コロナウイルスの分類を改善するために、新しい多機能畳み込みニューラルネットワーク(CNN)アーキテクチャを設計する。
論文参考訳（メタデータ） (2020-11-06T20:26:26Z)
FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。 FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。 FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文参考訳（メタデータ） (2020-10-30T03:17:31Z)
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)
Deep Learning for Reliable Classification of COVID-19, MERS, and SARS from Chest X-Ray Images [3.1807621587822013]
重症急性呼吸症候群(SARS)と中東呼吸器症候群(MERS)の流行は2002年と2011年に発生し、現在のCOVID-19パンデミックはいずれも同じ種類の新型コロナウイルスである。本研究の目的は、深層畳み込みニューラルネットワーク(CNN)を用いて、COVID-19、SARS、MERS胸部X線画像(CXR)を分類することである。
論文参考訳（メタデータ） (2020-05-23T12:22:28Z)
A Light CNN for detecting COVID-19 from CT scans of the chest [9.088303226909279]
OVID-19は世界保健機関(WHO)によってパンデミックと宣言された世界規模の病気である。深層学習は医学画像や畳み込みニューラルネットワーク(CNN)にも広く使われており、CT画像の分類にも使われている。我々は,SqueezeNetのモデルに基づく軽量CNN設計を提案し,新型コロナウイルスのCT画像の効率的な識別を行う。
論文参考訳（メタデータ） (2020-04-24T07:58:49Z)
JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文参考訳（メタデータ） (2020-04-15T12:30:40Z)

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。