Fugu-MT 論文翻訳(概要): COVID-19 Severity Classification on Chest X-ray Images

論文の概要: COVID-19 Severity Classification on Chest X-ray Images

arxiv url: http://arxiv.org/abs/2205.12705v1
Date: Wed, 25 May 2022 12:01:03 GMT
ステータス: 処理完了
システム内更新日: 2022-05-26 21:51:12.823379
Title: COVID-19 Severity Classification on Chest X-ray Images
Title（参考訳）: 胸部X線画像の重症度分類
Authors: Aditi Sagar, Aman Swaraj, Karan Verma
Abstract要約: 本研究は,感染の重症度に基づいて画像の分類を行う。 ResNet-50モデルは精度95%、リコール(0.94)、F1スコア(0.92)、精度(0.91)で顕著な分類結果を得た。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Biomedical imaging analysis combined with artificial intelligence (AI) methods has proven to be quite valuable in order to diagnose COVID-19. So far, various classification models have been used for diagnosing COVID-19. However, classification of patients based on their severity level is not yet analyzed. In this work, we classify covid images based on the severity of the infection. First, we pre-process the X-ray images using a median filter and histogram equalization. Enhanced X-ray images are then augmented using SMOTE technique for achieving a balanced dataset. Pre-trained Resnet50, VGG16 model and SVM classifier are then used for feature extraction and classification. The result of the classification model confirms that compared with the alternatives, with chest X-Ray images, the ResNet-50 model produced remarkable classification results in terms of accuracy (95%), recall (0.94), and F1-Score (0.92), and precision (0.91).
Abstract（参考訳）: バイオメディカルイメージングと人工知能(AI)の手法を組み合わせることで、新型コロナウイルスの診断に非常に価値があることが証明されている。これまで、新型コロナウイルスの診断に様々な分類モデルが用いられてきた。しかし, 重症度に基づく患者分類はまだ分析されていない。本研究は,感染の重症度に基づいて画像の分類を行う。まず、中央フィルタとヒストグラム等化を用いたX線画像の事前処理を行う。拡張されたX線画像は、バランスの取れたデータセットを達成するためにSMOTE技術を用いて拡張される。事前訓練されたResnet50、VGG16モデル、SVM分類器は特徴抽出と分類に使用される。分類モデルの結果、胸部x線画像と比較して、resnet-50モデルは精度(95%)、リコール(0.94)、f1-score(0.92)、精度(0.91)の点で顕著な分類結果を示した。

関連論文リスト

Enhancing COVID-19 Diagnosis through Vision Transformer-Based Analysis of Chest X-ray Images [0.0]
この研究は、生の胸部X線画像を利用して、新型コロナウイルスの診断を自動化するための革新的な枠組みを提唱している。開発されたモデルはバイナリ分類性能で評価され、通常の症例と区別される。提案モデルでは,2進分類では99.92%,99.84%,第三進分類では97.95%,第四進分類では86.48%,第四進分類では86.81%であった。
論文参考訳（メタデータ） (2023-06-12T07:34:28Z)
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)
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)
Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文参考訳（メタデータ） (2022-06-14T10:16:54Z)
Classification of COVID-19 in Chest X-ray Images Using Fusion of Deep Features and LightGBM [0.0]
本稿では,本論文で報告されている他の手法よりも高速かつ高精度な新しい手法を提案する。提案手法はDenseNet169とMobileNet Deep Neural Networksを組み合わせて患者のX線画像の特徴を抽出する。この方法は2クラス(COVID-19、Healthy)と複数クラス(COVID-19、Healthy、Pneumonia)で98.54%と91.11%の精度を達成した。
論文参考訳（メタデータ） (2022-06-09T14:56:24Z)
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)
Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文参考訳（メタデータ） (2021-08-07T10:12:42Z)
Classification of COVID-19 X-ray Images Using a Combination of Deep and Handcrafted Features [0.0]
私たちは、X線胸部スキャンから抽出された深い畳み込みと手作業の機能を組み合わせて、健康で一般的な肺炎、およびCOVID-19患者を識別します。 SVM と CNN のハンドクラフト特徴に対して, 0.963 と 0.983 との組み合わせによる分類作業において 0.988 の精度を実現した。
論文参考訳（メタデータ） (2021-01-19T21:09:46Z)
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)
Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文参考訳（メタデータ） (2020-05-08T02:16:17Z)
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)

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。