Fugu-MT 論文翻訳(概要): Severity classification of ground-glass opacity via 2-D convolutional neural network and lung CT scans: a 3-day exploration

論文の概要: Severity classification of ground-glass opacity via 2-D convolutional neural network and lung CT scans: a 3-day exploration

arxiv url: http://arxiv.org/abs/2303.16904v2
Date: Fri, 31 Mar 2023 16:48:02 GMT
ステータス: 処理完了
システム内更新日: 2023-04-03 16:34:12.310575
Title: Severity classification of ground-glass opacity via 2-D convolutional neural network and lung CT scans: a 3-day exploration
Title（参考訳）: 2次元畳み込みニューラルネットワークと肺CTによる地上ガラス不透明度の重症度分類:3日間の探索
Authors: Lisa Y.W. Tang
Abstract要約: グラウンドグラスの不透明度は、COVID-19や肺炎、肺線維症、結核など、多くの肺疾患の指標である。本稿では,3日間にわたって実施,テストされた概念実証フレームワークについて,第3の課題である「COVID-19コンペティション」による実験的結果を示す。課題の要件の一部として、このエクササイズ中に生成されたソースコードはhttps://github.com/lisatwyw/cov19.comに投稿されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Ground-glass opacity is a hallmark of numerous lung diseases, including patients with COVID19 and pneumonia, pulmonary fibrosis, and tuberculosis. This brief note presents experimental results of a proof-of-concept framework that got implemented and tested over three days as driven by the third challenge entitled "COVID-19 Competition", hosted at the AI-Enabled Medical Image Analysis Workshop of the 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 2023). Using a newly built virtual environment (created on March 17, 2023), we investigated various pre-trained two-dimensional convolutional neural networks (CNN) such as Dense Neural Network, Residual Neural Networks (ResNet), and Vision Transformers, as well as the extent of fine-tuning. Based on empirical experiments, we opted to fine-tune them using ADAM's optimization algorithm with a standard learning rate of 0.001 for all CNN architectures and apply early-stopping whenever the validation loss reached a plateau. For each trained CNN, the model state with the best validation accuracy achieved during training was stored and later reloaded for new classifications of unseen samples drawn from the validation set provided by the challenge organizers. According to the organizers, few of these 2D CNNs yielded performance comparable to an architecture that combined ResNet and Recurrent Neural Network (Gated Recurrent Units). As part of the challenge requirement, the source code produced during the course of this exercise is posted at https://github.com/lisatwyw/cov19. We also hope that other researchers may find this light prototype consisting of few Python files based on PyTorch 1.13.1 and TorchVision 0.14.1 approachable.
Abstract（参考訳）: グラウンドグラスの不透明度は、COVID-19や肺炎、肺線維症、結核など、多くの肺疾患の指標である。本稿では,2023年IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 2023)のAI-Enabled Medical Image Analysis Workshopで開催される第3の課題である“COVID-19 Competition”によって,3日間にわたって実施およびテストされた概念実証フレームワークの実験結果を紹介する。新たに構築された仮想環境(2023年3月17日作成)を用いて,Dense Neural Network, Residual Neural Networks (ResNet), Vision Transformerなどの事前学習された2次元畳み込みニューラルネットワーク(CNN)および微調整の程度を調査した。実証実験に基づき,すべてのCNNアーキテクチャに対して標準学習率0.001でADAMの最適化アルゴリズムを微調整し,検証損失が高原に達すると早期停止を適用した。トレーニングされたcnn毎に、トレーニング中に達成した最高の検証精度を持つモデル状態が格納され、その後、チャレンジオーガナイザが提供する検証セットから得られた未検出サンプルの新しい分類のために再ロードされる。オーガナイザによると、これらの2D CNNのうち、ResNetとRecurrent Neural Network(Gated Recurrent Units)を組み合わせたアーキテクチャに匹敵するパフォーマンスを得るものはほとんどなかった。課題要件の一部として、この演習の過程で生成されたソースコードはhttps://github.com/lisatwyw/cov19.comに投稿される。また、他の研究者がPyTorch 1.13.1とTorchVision 0.14.1のアプローチ可能なPythonファイルの少ないこの軽量プロトタイプを見つけることを期待している。

関連論文リスト

Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
Searching for Effective Neural Network Architectures for Heart Murmur Detection from Phonocardiogram [5.183688633606942]
George B. Moody PhysioNet Challenge 2022は、超音波心電図(PCGs)による心室検出と心機能異常の同定の問題を提起した。この研究は、我々のチームであるRevengerがこれらの問題を解決するために開発した新しいアプローチについて述べます。
論文参考訳（メタデータ） (2023-03-06T09:31:42Z)
Lost Vibration Test Data Recovery Using Convolutional Neural Network: A Case Study [0.0]
本稿では,アラモサキャニオン橋のCNNアルゴリズムを実構造として提案する。 3つの異なるCNNモデルは、1つと2つの故障したセンサーを予測するものとされた。畳み込み層を追加することによりモデルの精度が向上した。
論文参考訳（メタデータ） (2022-04-11T23:24:03Z)
Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。本稿では,これらのボトルネックを緩和する一連の改良点について述べる。また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
論文参考訳（メタデータ） (2021-10-16T02:41:35Z)
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)
BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
論文参考訳（メタデータ） (2021-03-14T20:43:19Z)
2nd Place Scheme on Action Recognition Track of ECCV 2020 VIPriors Challenges: An Efficient Optical Flow Stream Guided Framework [57.847010327319964]
我々は、小さなデータセットでモデルをスクラッチからトレーニングできるデータ効率フレームワークを提案する。具体的には、3D中心差分畳み込み演算を導入することで、新しいC3Dニューラルネットワークベースの2ストリームフレームワークを提案する。提案手法は,大規模データセット上で事前学習したモデルがなくても,有望な結果が得られることを実証した。
論文参考訳（メタデータ） (2020-08-10T09:50:28Z)
Accurate and Efficient Intracranial Hemorrhage Detection and Subtype Classification in 3D CT Scans with Convolutional and Long Short-Term Memory Neural Networks [20.4701676109641]
RSNA頭蓋内出血検出のためのシステムについて紹介する。提案システムは,畳み込みニューラルネットワーク(CNN)を用いた軽量深層ニューラルネットワークアーキテクチャに基づいている。最終テストセットの重み付き平均ログ損失は0.04989で、合計1345名から上位30名(2%)にランクインした。
論文参考訳（メタデータ） (2020-08-01T17:28:25Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
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)
REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
論文参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。