論文の概要: Diagnosis of COVID-19 based on Chest Radiography
- arxiv url: http://arxiv.org/abs/2212.13032v1
- Date: Mon, 26 Dec 2022 08:05:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 14:17:43.294532
- Title: Diagnosis of COVID-19 based on Chest Radiography
- Title(参考訳): 胸部x線診断による新型コロナウイルスの診断
- Authors: Mei Gah Lim and Hoi Leong Lee
- Abstract要約: コロナウイルス感染症2019(COVID-19)は、2019年12月初旬に中国の武漢で最初に確認され、現在はパンデミックとなっている。
放射線医は、胸部X線(CXR)画像から放射線学的異常の存在を観察することができる。
本研究では、新型コロナウイルス患者の放射線科医の診断を支援するために、深層畳み込みニューラルネットワーク(CNN)モデルを提案した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The Coronavirus disease 2019 (COVID-19) was first identified in Wuhan, China,
in early December 2019 and now becoming a pandemic. When COVID-19 patients
undergo radiography examination, radiologists can observe the present of
radiographic abnormalities from their chest X-ray (CXR) images. In this study,
a deep convolutional neural network (CNN) model was proposed to aid
radiologists in diagnosing COVID-19 patients. First, this work conducted a
comparative study on the performance of modified VGG-16, ResNet-50 and
DenseNet-121 to classify CXR images into normal, COVID-19 and viral pneumonia.
Then, the impact of image augmentation on the classification results was
evaluated. The publicly available COVID-19 Radiography Database was used
throughout this study. After comparison, ResNet-50 achieved the highest
accuracy with 95.88%. Next, after training ResNet-50 with rotation,
translation, horizontal flip, intensity shift and zoom augmented dataset, the
accuracy dropped to 80.95%. Furthermore, an ablation study on the effect of
image augmentation on the classification results found that the combinations of
rotation and intensity shift augmentation methods obtained an accuracy higher
than baseline, which is 96.14%. Finally, ResNet-50 with rotation and intensity
shift augmentations performed the best and was proposed as the final
classification model in this work. These findings demonstrated that the
proposed classification model can provide a promising result for COVID-19
diagnosis.
- Abstract(参考訳): コロナウイルス感染症2019(COVID-19)は、2019年12月初旬に中国の武漢で最初に発見された。
新型コロナウイルス患者が放射線検査を受けると、放射線技師は胸部X線(CXR)画像から放射線異常の存在を観察できる。
本研究では, 深部畳み込みニューラルネットワーク(CNN)モデルを用いて, 新型コロナウイルスの診断における放射線科医の支援を行った。
まず,修正VGG-16,ResNet-50,DenseNet-121を用いて,CXR画像を正常,COVID-19,ウイルス性肺炎に分類した。
そして,画像強調が分類結果に及ぼす影響を評価した。
この研究全体で、公開のCOVID-19ラジオグラフィーデータベースが使用された。
比較の結果、resnet-50は95.88%で最高精度を達成した。
次に、回転、翻訳、水平フリップ、強度シフト、ズーム拡張データセットでresnet-50をトレーニングした後、精度は80.95%に低下した。
さらに, 画像増倍が分類結果に及ぼす影響に関するアブレーション研究により, 回転法と強度シフト増倍法の組み合わせは, 96.14%のベースラインよりも精度が高いことがわかった。
最後に,resnet-50の回転と強度シフトの強化がベストであり,最終分類モデルとして提案されている。
これらの結果から,提案する分類モデルが新型コロナウイルスの診断に有望な結果をもたらす可能性が示唆された。
関連論文リスト
- Auto-Lesion Segmentation with a Novel Intensity Dark Channel Prior for
COVID-19 Detection [0.24578723416255752]
本研究は,他の肺疾患との鑑別を目的としたCTベースの放射線治療フレームワークを開発した。
画像は、新型コロナウイルス(COVID-19)、非新型コロナウイルス(non-COVID-19)、または正常の3つのクラスに分類される。
最高の性能分類モデルであるResidual Neural Network(Resnet-50)は、平均精度、精度、リコール、F1スコアが98.8%、99%、98%、98%に達した。
論文 参考訳(メタデータ) (2023-09-22T06:09:48Z) - 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) - 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) - Evaluation of Convolutional Neural Networks for COVID-19 Classification
on Chest X-Rays [7.509537244787675]
我々は,Digital Chest X線による新型コロナウイルスによる肺炎の同定のための畳み込みニューラルネットワークの評価を提案する。
提案手法は、XRの前処理ステップ、データ拡張、および畳み込みアーキテクチャDenseNet121、InResceptionNetV2、InceptionV3、MovileNetV2、ResNet50、VGG16による分類からなる。
その結果, VGG16アーキテクチャはXRの分類において優れた性能を示した。
論文 参考訳(メタデータ) (2021-09-06T12:57:55Z) - COVID-Net CXR-2: An Enhanced Deep Convolutional Neural Network Design
for Detection of COVID-19 Cases from Chest X-ray Images [58.35627258364233]
RT-PCR検査への無料スクリーニング戦略として胸部X線(CXR)イメージングの使用は成長し続けています。
我々は、CXR画像からCOVID-19を検出するための深層畳み込みニューラルネットワーク設計であるCOVID-Net CXR-2を紹介する。
ベンチマークデータセットは、少なくとも51カ国16,656人の多国籍コホートから19,203個のCXR画像で構成された。
論文 参考訳(メタデータ) (2021-05-14T04:29:21Z) - 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) - COVID-19 Classification of X-ray Images Using Deep Neural Networks [36.99143569437537]
本研究の目的は、新型コロナウイルスの診断のための機械学習モデルの作成と評価である。
機械学習モデルは、事前訓練されたディープラーニングモデル(ReNet50)を使用して構築され、データ拡張と肺分節によって強化された。
精度,感度,受信特性曲線(ROC)と高精度リコール曲線(P-R)を用いて評価した。
論文 参考訳(メタデータ) (2020-10-03T13:57:08Z) - CCBlock: An Effective Use of Deep Learning for Automatic Diagnosis of
COVID-19 Using X-Ray Images [0.0]
新型コロナウイルス(COVID-19)のパンデミックは、世界の人々の健康と健康に劇的に影響している。
新型コロナウイルスの感染拡大を根絶するためには、新型コロナウイルスの検出・診断支援方法を開発する必要がある。
畳み込みニューラルネットワーク(CNN)に基づいて、自動検出システムは、新型コロナウイルス患者をラジオグラフィーで診断する有望な結果を示している。
論文 参考訳(メタデータ) (2020-09-21T19:20:01Z) - 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。
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。