Fugu-MT 論文翻訳(概要): Pneumonia Detection in Chest X-Rays using Neural Networks

論文の概要: Pneumonia Detection in Chest X-Rays using Neural Networks

arxiv url: http://arxiv.org/abs/2204.03618v1
Date: Thu, 7 Apr 2022 17:39:12 GMT
ステータス: 処理完了
システム内更新日: 2022-04-08 16:07:32.321508
Title: Pneumonia Detection in Chest X-Rays using Neural Networks
Title（参考訳）: ニューラルネットワークを用いた胸部X線中の肺炎検出
Authors: Narayana Darapaneni, Ashish Ranjan, Dany Bright, Devendra Trivedi, Ketul Kumar, Vivek Kumar, and Anwesh Reddy Paduri
Abstract要約: 我々は,北米放射線学会における胸部X線画像の分類のためのCNNモデルを提案した。提案手法は,非複雑CNNとXception, InceptionV3/V4, EfficientNetB7などの伝達学習アルゴリズムを用いた。
参考スコア（独自算出の注目度）: 0.6639684533393106
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: With the advancement in AI, deep learning techniques are widely used to design robust classification models in several areas such as medical diagnosis tasks in which it achieves good performance. In this paper, we have proposed the CNN model (Convolutional Neural Network) for the classification of Chest X-ray images for Radiological Society of North America Pneumonia (RSNA) datasets. The study also tries to achieve the same RSNA benchmark results using the limited computational resources by trying out various approaches to the methodologies that have been implemented in recent years. The proposed method is based on a non-complex CNN and the use of transfer learning algorithms like Xception, InceptionV3/V4, EfficientNetB7. Along with this, the study also tries to achieve the same RSNA benchmark results using the limited computational resources by trying out various approaches to the methodologies that have been implemented in recent years. The RSNA benchmark MAP score is 0.25, but using the Mask RCNN model on a stratified sample of 3017 along with image augmentation gave a MAP score of 0.15. Meanwhile, the YoloV3 without any hyperparameter tuning gave the MAP score of 0.32 but still, the loss keeps decreasing. Running the model for a greater number of iterations can give better results.
Abstract（参考訳）: AIの進歩に伴い、深層学習技術は、優れたパフォーマンスを達成する医療診断タスクなど、いくつかの分野で堅牢な分類モデルの設計に広く用いられている。本稿では,北米電波学会(RSNA)データセットを対象とした胸部X線画像の分類のためのCNNモデル(畳み込みニューラルネットワーク)を提案する。また,近年実施されている手法に対する様々なアプローチを試し,限られた計算資源を用いてrsnaベンチマーク結果の達成を試みる。提案手法は,非複雑CNNとXception, InceptionV3/V4, EfficientNetB7などの伝達学習アルゴリズムを用いた。これに加えて,近年実施されている方法論に対する様々なアプローチを試して,限られた計算資源を用いて,同じRSNAベンチマーク結果の達成も試みている。 RSNAベンチマーク MAP スコアは 0.25 であるが、3017 の成層試料上で Mask RCNN モデルを使用することで MAP スコアは 0.15 となった。一方、超パラメータチューニングなしのyolov3は0.32のマップスコアを与えたが、損失は減少している。より多くのイテレーションでモデルを実行することで、よりよい結果が得られます。

関連論文リスト

MIC: Medical Image Classification Using Chest X-ray (COVID-19 and Pneumonia) Dataset with the Help of CNN and Customized CNN [0.0]
本研究では,医用画像分類のための独自の畳み込みニューラルネットワーク(CCNN)を提案する。提案されたCCNNは、同じデータセットを使用した畳み込みニューラルネットワーク(CNN)や他のモデルと比較された。この研究によると、畳み込みニューラルネットワーク(CCNN)は95.62%の検証精度と0.1270の検証損失を達成した。
論文参考訳（メタデータ） (2024-11-02T07:18:53Z)
Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
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)
An Efficient End-to-End Deep Neural Network for Interstitial Lung Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。 128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文参考訳（メタデータ） (2022-04-21T06:36:10Z)
Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文参考訳（メタデータ） (2021-09-10T13:07:11Z)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
Evolving Deep Convolutional Neural Network by Hybrid Sine-Cosine and Extreme Learning Machine for Real-time COVID19 Diagnosis from X-Ray Images [0.5249805590164902]
ディープ・コンボリューショナル・ネットワーク(CNN)は、COVID-19陽性症例の診断に応用できるツールとみなすことができる。本稿では,最後の完全接続層ではなく,ELM(Extreme Learning Machine)を用いることを提案する。提案手法は、COVID-Xray-5kデータセットで98.83%の最終的な精度で比較ベンチマークを上回っている。
論文参考訳（メタデータ） (2021-05-14T19:40:16Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
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)
A Systematic Search over Deep Convolutional Neural Network Architectures for Screening Chest Radiographs [4.6411273009803065]
胸部X線写真は肺・胸部疾患のスクリーニングに用いられる。近年の取り組みは、深層畳み込みニューラルネットワーク(CNN)のアンサンブルを用いた性能ベンチマークを実証している。複数の標準CNNアーキテクチャを体系的に探索し、分類性能がアンサンブルと同等であることが判明した単一候補モデルを特定した。
論文参考訳（メタデータ） (2020-04-24T12:30:40Z)
COVID-ResNet: A Deep Learning Framework for Screening of COVID19 from Radiographs [1.9798034349981157]
新型コロナウイルスと他の肺炎を鑑別するための正確な畳み込みニューラルネットワークフレームワークを提案する。本研究は,モデル性能を向上させるために,トレーニング済みのResNet-50アーキテクチャを微調整する3段階の手法を提案する。このモデルは、新型コロナウイルスの早期スクリーニングに役立ち、医療システムの負担軽減に役立つ。
論文参考訳（メタデータ） (2020-03-31T17:42:28Z)

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。