論文の概要: Explainable and Lightweight Model for COVID-19 Detection Using Chest Radiology Images

• arxiv url: http://arxiv.org/abs/2212.13788v1
• Date: Wed, 28 Dec 2022 11:48:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 15:10:57.263916
• Title: Explainable and Lightweight Model for COVID-19 Detection Using Chest Radiology Images
• Title（参考訳）: 胸部X線画像を用いた新型コロナウイルス検出のための説明可能軽量モデル
• Authors: Suba S and Nita Parekh
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、大量のデータをトレーニングする際の画像解析タスクに適している。 新型コロナウイルス(COVID-19)の検出のために提案されたツールのほとんどは、高い感度とリコールを持っているが、目に見えないデータセットでのテストでは、一般化と実行に失敗している。 本研究は,提案モデルの成功と失敗について,画像レベルで詳細に考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning (DL) analysis of Chest X-ray (CXR) and Computed tomography (CT) images has garnered a lot of attention in recent times due to the COVID-19 pandemic. Convolutional Neural Networks (CNNs) are well suited for the image analysis tasks when trained on humongous amounts of data. Applications developed for medical image analysis require high sensitivity and precision compared to any other fields. Most of the tools proposed for detection of COVID-19 claims to have high sensitivity and recalls but have failed to generalize and perform when tested on unseen datasets. This encouraged us to develop a CNN model, analyze and understand the performance of it by visualizing the predictions of the model using class activation maps generated using (Gradient-weighted Class Activation Mapping) Grad-CAM technique. This study provides a detailed discussion of the success and failure of the proposed model at an image level. Performance of the model is compared with state-of-the-art DL models and shown to be comparable. The data and code used are available at https://github.com/aleesuss/c19.
• Abstract（参考訳）: CXR(Chest X-ray)とCT(Computed Tomography)の画像のディープラーニング(DL)解析は、新型コロナウイルスのパンデミックにより近年多くの注目を集めている。 畳み込みニューラルネットワーク(CNN)は、大量のデータをトレーニングする際に画像解析タスクに適している。 医用画像解析のために開発されたアプリケーションは、他のどの分野よりも高い感度と精度を必要とする。 新型コロナウイルス(COVID-19)の検出のためのツールのほとんどは、感度とリコールが高いが、目に見えないデータセットでのテストでは、一般化と実行に失敗している。 そこで我々は,クラスアクティベーションマップ(Grad-weighted Class Activation Mapping)を用いたクラスアクティベーションマップを用いて,CNNモデルを開発し,そのモデルの性能を解析し,理解することを可能にした。 本研究は,提案モデルの成功と失敗について,画像レベルでの詳細な議論を提供する。 モデルの性能は最先端のDLモデルと比較され、同等であることが示されている。 使用されるデータとコードはhttps://github.com/aleesuss/c19.com/で入手できる。

関連論文リスト

• 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)
• Improving COVID-19 CXR Detection with Synthetic Data Augmentation [0.0]
  我々は,新型コロナウイルス画像データに基づく深層学習モデルを訓練し,そのモデルを病院の胸部X線データ上で評価する。 我々は、このデータに基づいて合成X線画像を生成するために、ジェネレーティブ・アドバイサル・ネットワークを使用している。
  論文  参考訳（メタデータ） (2021-12-14T16:42:39Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Learning from Pseudo Lesion: A Self-supervised Framework for COVID-19 Diagnosis [22.54540093657541]
  コロナウイルス感染症2019(COVID-19)は、2019年12月の報告以来、世界中で急速に拡大している。 近年、ディープラーニングに基づくアプローチは、無数の画像認識タスクにおいて顕著なパフォーマンスを示している。 本報告では, 疑似病変の発生と回復に基づく自己指導型事前訓練法を提案する。
  論文  参考訳（メタデータ） (2021-06-23T11:21:30Z)
• Contrastive Attention for Automatic Chest X-ray Report Generation [124.60087367316531]
  ほとんどの場合、正常領域が胸部X線像全体を支配し、これらの正常領域の対応する記述が最終報告を支配している。 本稿では,現在の入力画像と通常の画像を比較してコントラスト情報を抽出するContrastive Attention(CA)モデルを提案する。 2つの公開データセットで最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-06-13T11:20:31Z)
• 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)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• Deep Metric Learning-based Image Retrieval System for Chest Radiograph and its Clinical Applications in COVID-19 [12.584626589565522]
  胸部X線写真(CXR)は、新型コロナウイルス患者のトリアージ、診断、モニタリングにおいて重要な役割を担っている。 CXRの混合信号や非特異的信号を考えると、類似した画像と関連する臨床情報の両方を提供するCXRの画像検索モデルは、より臨床的に有意義である。 本研究では,深度学習に基づく新しいCXR画像検索モデルを開発する。
  論文  参考訳（メタデータ） (2020-11-26T03:16:48Z)
• 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)
• An Uncertainty-aware Transfer Learning-based Framework for Covid-19 Diagnosis [10.832659320593347]
  本稿では,医療画像を用いたCOVID-19検出のための深層不確実性認識型トランスファー学習フレームワークを提案する。 4つの一般的な畳み込みニューラルネットワーク(CNN)を用いて胸部X線画像とCT画像から深い特徴を抽出する。 抽出された機能は、さまざまな機械学習と統計モデリング技術によって処理され、新型コロナウイルスの症例を特定する。
  論文  参考訳（メタデータ） (2020-07-26T20:15:01Z)
• Intra-model Variability in COVID-19 Classification Using Chest X-ray Images [0.0]
  12の共通ディープラーニングアーキテクチャにおいて,胸部X線におけるCOVID-19検出のためのベースライン性能指標と変数の定量化を行う。 最高のパフォーマンスモデルでは、新型コロナウイルスをホールドアウトセットで検出する際の偽陰性率は20点中3点である。
  論文  参考訳（メタデータ） (2020-04-30T21:20:32Z)

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。