論文の概要: Image Data collection and implementation of deep learning-based model in
detecting Monkeypox disease using modified VGG16
- arxiv url: http://arxiv.org/abs/2206.01862v1
- Date: Sat, 4 Jun 2022 00:34:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-12 14:44:09.948311
- Title: Image Data collection and implementation of deep learning-based model in
detecting Monkeypox disease using modified VGG16
- Title（参考訳）: 修正VGG16を用いたサルポックス病検出のための画像データ収集と深層学習モデルの実装
- Authors: Md Manjurul Ahsan, Muhammad Ramiz Uddin, Mithila Farjana, Ahmed Nazmus
Sakib, Khondhaker Al Momin, and Shahana Akter Luna
- Abstract要約: 新たに開発された"Monkeypox2022"データセットを紹介します。
研究1と2の2つの異なる研究を含む改良VGG16モデルを提案し評価する。
検討の結果,サルポックス患者を9.7pm1.8%の精度で同定できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While the world is still attempting to recover from the damage caused by the
broad spread of COVID-19, the Monkeypox virus poses a new threat of becoming a
global pandemic. Although the Monkeypox virus itself is not deadly and
contagious as COVID-19, still every day, new patients case has been reported
from many nations. Therefore, it will be no surprise if the world ever faces
another global pandemic due to the lack of proper precautious steps. Recently,
Machine learning (ML) has demonstrated huge potential in image-based diagnoses
such as cancer detection, tumor cell identification, and COVID-19 patient
detection. Therefore, a similar application can be adopted to diagnose the
Monkeypox-related disease as it infected the human skin, which image can be
acquired and further used in diagnosing the disease. Considering this
opportunity, in this work, we introduce a newly developed "Monkeypox2022"
dataset that is publicly available to use and can be obtained from our shared
GitHub repository. The dataset is created by collecting images from multiple
open-source and online portals that do not impose any restrictions on use, even
for commercial purposes, hence giving a safer path to use and disseminate such
data when constructing and deploying any type of ML model. Further, we propose
and evaluate a modified VGG16 model, which includes two distinct studies: Study
One and Two. Our exploratory computational results indicate that our suggested
model can identify Monkeypox patients with an accuracy of $97\pm1.8\%$
(AUC=97.2) and $88\pm0.8\%$ (AUC=0.867) for Study One and Two, respectively.
Additionally, we explain our model's prediction and feature extraction
utilizing Local Interpretable Model-Agnostic Explanations (LIME) help to a
deeper insight into specific features that characterize the onset of the
Monkeypox virus.
- Abstract（参考訳）: 世界は新型コロナウイルス(COVID-19)の感染拡大による被害から回復しようとしているが、サルポックスウイルスは世界的なパンデミックになる新たな脅威となっている。
サルポックスウイルス自体は、COVID-19ほど致命的で伝染性はないが、毎日、多くの国で新たな患者が報告されている。
したがって、適切な予防措置が欠如しているため、世界が再び世界的なパンデミックに直面したとしても不思議ではない。
近年、機械学習(ML)は、がん検出、腫瘍細胞同定、COVID-19患者検出などの画像ベースの診断において大きな可能性を示している。
したがって、同様の応用により、ヒト皮膚に感染したサルポックス関連疾患を診断することができ、その画像を取得し、さらに疾患の診断に用いることができる。
この機会を考えると、本研究では、新しく開発された"monkeypox2022"データセットを紹介します。
データセットは、商用目的であっても使用制限を課さない複数のオープンソースおよびオンラインポータルからイメージを収集し、任意の種類のMLモデルを構築し、デプロイする際に、そのようなデータを使用および分散するための安全なパスを提供する。
さらに,研究1と研究2の2つの異なる研究を含む改良VGG16モデルを提案し,評価する。
その結果,提案モデルでは, サルポックス患者に対して, 97\pm1.8\%$ (AUC=97.2) と 88\pm0.8\%$ (AUC=0.867) の精度で, サルポックス患者を同定できることが示唆された。
さらに, 局所的解釈可能なモデル非依存的説明(lime)を用いたモデル予測と特徴抽出は, サルポックスウイルスの発症を特徴付ける特定の特徴について深い知見を得るのに役立つ。
関連論文リスト
- MpoxVLM: A Vision-Language Model for Diagnosing Skin Lesions from Mpox Virus Infection [5.161537754987037]
ムポックス(サルポックスウイルスによる)は、しばしば診断されない動物感染症の顕著な例である。
MpoxVLMは, 皮膚病変画像と患者臨床情報の両方を分析し, mpoxの検出を目的とした視覚言語モデル(VLM)を提案する。
本研究は, mpox検出における90.38%の精度を達成し, mpox対策における早期診断精度を向上させるための有望な経路を提供する。
論文 参考訳（メタデータ） (2024-11-16T21:09:04Z) - Classification of Human Monkeypox Disease Using Deep Learning Models and
Attention Mechanisms [0.9257985820122999]
ヒトサルポックス病症候群はチキンポックスと非常によく似ており、麻疹の古典的な症状である。
さまざまなディープラーニング手法が、画像に基づく新型コロナウイルスの診断において有望なパフォーマンスを示している。
Xception-CBAM-Dense層からなるアーキテクチャは、ヒトサルポックスの分類において他のモデルよりも優れた性能を示した。
論文 参考訳（メタデータ） (2022-11-21T13:30:34Z) - Transfer learning and Local interpretable model agnostic based visual
approach in Monkeypox Disease Detection and Classification: A Deep Learning
insights [0.0]
近年のサルポックス病は、世界がまだコロナウイルス病2019(COVID-19)と戦っているときに、世界的なパンデミックの脅威となる。
我々は、VGG16、InceptionResNetV2、ResNet50、ResNet101、MobileNetV2、VGG19を用いたトランスファー学習アプローチの6つの異なるディープラーニングモデルの修正とテストを行った。
予備計算の結果,改良型InceptionResNetV2モデルとMobileNetV2モデルは,93%から99%の精度で高い性能を示した。
論文 参考訳（メタデータ） (2022-11-01T18:07:34Z) - Monkeypox Skin Lesion Detection Using Deep Learning Models: A
Feasibility Study [1.9395755884693817]
最近のサルポックスの流行は、アフリカ以外の40カ国で急速に拡大しているため、公衆衛生上の問題となっている。
サルポックス病変のコンピュータによる検出は, 疑われる症例の迅速同定と監視に有用であると考えられた。
深層学習法は皮膚病変の自動検出に有効である。
論文 参考訳（メタデータ） (2022-07-06T09:09:28Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - Can Self Reported Symptoms Predict Daily COVID-19 Cases? [12.029443053416399]
機械学習モデルを開発し、自己報告症状を用いてCOVID-19の流行を推定する。
その結果,グローバルモデルとは対照的に,局所モデルに対する誤差が低かった。
この研究は、オンラインプラットフォームを介して収集されたクラウドソースデータに基づいて開発されたモデルが、既存の疫学的監視インフラストラクチャを補完できることを示しています。
論文 参考訳（メタデータ） (2021-05-18T07:26:09Z) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。
実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文 参考訳（メタデータ） (2020-06-05T02:04:25Z) - Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware
Anomaly Detection [86.81773672627406]
短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。
胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。
ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
論文 参考訳（メタデータ） (2020-03-27T11:32:18Z)
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。