論文の概要: Enhancing COVID-19 Diagnosis through Vision Transformer-Based Analysis
of Chest X-ray Images
- arxiv url: http://arxiv.org/abs/2306.06914v1
- Date: Mon, 12 Jun 2023 07:34:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 15:38:18.502402
- Title: Enhancing COVID-19 Diagnosis through Vision Transformer-Based Analysis
of Chest X-ray Images
- Title（参考訳）: 視覚トランスフォーマによる胸部x線画像の解析によるcovid-19診断の促進
- Authors: Sultan Zavrak
- Abstract要約: 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。
提案されたモデルでは、異常な精度で99.92%と99.84%のバイナリ分類結果が登録された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The advent of 2019 Coronavirus (COVID-19) has engendered a momentous global
health crisis, necessitating the identification of the ailment in individuals
through diverse diagnostic modalities. Radiological imaging, particularly the
deployment of X-ray imaging, has been recognized as a pivotal instrument in the
detection and characterization of COVID-19. Recent investigations have unveiled
invaluable insights pertaining to the virus within X-ray images, instigating
the exploration of methodologies aimed at augmenting diagnostic accuracy
through the utilization of artificial intelligence (AI) techniques. The current
research endeavor posits an innovative framework for the automated diagnosis of
COVID-19, harnessing raw chest X-ray images, specifically by means of
fine-tuning pre-trained Vision Transformer (ViT) models. The developed models
were appraised in terms of their binary classification performance, discerning
COVID-19 from Normal cases, as well as their ternary classification
performance, discriminating COVID-19 from Pneumonia and Normal instances, and
lastly, their quaternary classification performance, discriminating COVID-19
from Bacterial Pneumonia, Viral Pneumonia, and Normal conditions, employing
distinct datasets. The proposed model evinced extraordinary precision,
registering results of 99.92% and 99.84% for binary classification, 0.9795 and
86.48% for ternary classification, and 86.81% for quaternary classification,
respectively, on the respective datasets.
- Abstract（参考訳）: 2019年の新型コロナウイルス(covid-19)の出現は、世界的健康危機を招き、様々な診断方法を通じて個人の病気の特定を必要としている。
放射線画像、特にX線画像の展開は、COVID-19の検出とキャラクタリゼーションにおいて重要な手段として認識されている。
近年の研究では、X線画像中のウイルスに関する貴重な知見が明らかにされており、人工知能(AI)技術を利用した診断精度の向上を目的とした方法論の探索が進められている。
現在の研究は、生の胸部x線画像、特にvit(pre-trained vision transformer)モデルを微調整することで、covid-19の自動診断のための革新的な枠組みを想定している。
開発したモデルでは, 2つの分類性能, 通常の症例からcovid-19を識別する, 3つの分類性能, 肺炎および正常例からcovid-19を識別する, および4つの分類性能, 細菌性肺炎, ウイルス性肺炎, および正常な条件を識別し, それぞれ異なるデータセットを用いて評価した。
提案モデルは,2進分類の99.92%と99.84%,3進分類の0.9795と86.48%,4進分類の86.81%という異常な精度を示した。
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) - 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) - COVID-19 Severity Classification on Chest X-ray Images [0.0]
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。
論文 参考訳（メタデータ） (2022-05-25T12:01:03Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - Intelligent computational model for the classification of Covid-19 with
chest radiography compared to other respiratory diseases [0.0]
統計的および計算的な方法で処理された肺X線画像は、肺炎と新型コロナウイルスを区別することができる。
本研究は、新型コロナウイルスの疑いのある患者を診察し、診断する方法を改善するために、肺X線の特徴を抽出することが可能であることを示す。
論文 参考訳（メタデータ） (2021-08-12T05:07:11Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - Exploring the Effect of Image Enhancement Techniques on COVID-19
Detection using Chest X-rays Images [4.457871213347773]
本稿では,様々な画像強調技術の効果について検討し,それぞれが検出性能に与える影響について述べる。
我々はCOVQU-20と呼ばれる最大規模のX線データセットをコンパイルした。
CXR画像のガンマ補正による新型コロナウイルス検出における精度、精度、感度、f1スコア、特異度はそれぞれ96.29%、96.28%、96.29%、96.28%、96.27%であった。
論文 参考訳（メタデータ） (2020-11-25T20:58:27Z) - 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) - PDCOVIDNet: A Parallel-Dilated Convolutional Neural Network Architecture
for Detecting COVID-19 from Chest X-Ray Images [1.4824891788575418]
新型コロナウイルスのパンデミックは、世界保健システムの繁栄を著しく損なわれ続けている。
胸部X線画像による放射線学的評価は,重要なスクリーニング技術の一つである。
胸部X線画像を用いた並列拡散畳み込みニューラルネットワークによる新型コロナウイルス検出システムを提案する。
論文 参考訳（メタデータ） (2020-07-29T12:28:16Z) - 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。