Fugu-MT 論文翻訳(概要): Prediction of Pneumonia and COVID-19 Using Deep Neural Networks

論文の概要: Prediction of Pneumonia and COVID-19 Using Deep Neural Networks

arxiv url: http://arxiv.org/abs/2308.10368v1
Date: Sun, 20 Aug 2023 21:26:37 GMT
ステータス: 処理完了
システム内更新日: 2023-08-22 15:47:55.470411
Title: Prediction of Pneumonia and COVID-19 Using Deep Neural Networks
Title（参考訳）: 深部ニューラルネットワークを用いた肺炎とCOVID-19の予測
Authors: M. S. Haque, M. S. Taluckder, S. B. Shawkat, M. A. Shahriyar, M. A. Sayed, C. Modak
Abstract要約: 胸部X線画像から肺炎を予測する機械学習手法を提案する。 DenseNet121は他のモデルより優れており、精度は99.58%である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Pneumonia, caused by bacteria and viruses, is a rapidly spreading viral infection with global implications. Prompt identification of infected individuals is crucial for containing its transmission. This study explores the potential of medical image analysis to address this challenge. We propose machine-learning techniques for predicting Pneumonia from chest X-ray images. Chest X-ray imaging is vital for Pneumonia diagnosis due to its accessibility and cost-effectiveness. However, interpreting X-rays for Pneumonia detection can be complex, as radiographic features can overlap with other respiratory conditions. We evaluate the performance of different machine learning models, including DenseNet121, Inception Resnet-v2, Inception Resnet-v3, Resnet50, and Xception, using chest X-ray images of pneumonia patients. Performance measures and confusion matrices are employed to assess and compare the models. The findings reveal that DenseNet121 outperforms other models, achieving an accuracy rate of 99.58%. This study underscores the significance of machine learning in the accurate detection of Pneumonia, leveraging chest X-ray images. Our study offers insights into the potential of technology to mitigate the spread of pneumonia through precise diagnostics.
Abstract（参考訳）: 肺炎は細菌やウイルスによって引き起こされ、世界的な感染が急速に拡大している。感染した個体のプロンプト同定は、その感染を封じ込めるために重要である。本研究は,この課題に対処するための医用画像解析の可能性を検討する。胸部X線画像から肺炎を予測する機械学習手法を提案する。胸部X線画像は、そのアクセシビリティと費用対効果のために肺炎の診断に不可欠である。しかしながら、肺炎検出のためのX線解釈は、他の呼吸状態と重なり合うため、複雑である可能性がある。肺炎患者の胸部X線画像を用いて,DenseNet121,Inception Resnet-v2,Inception Resnet-v3,Resnet50,Xceptionなどさまざまな機械学習モデルの性能評価を行った。モデルの評価と比較には性能指標と混乱行列が用いられる。この結果、DenseNet121は他のモデルよりも優れており、精度は99.58%であることがわかった。本研究は,胸部X線画像を用いた肺炎の正確な検出における機械学習の重要性を明らかにする。本研究は、正確な診断により肺炎の拡散を緩和するための技術の可能性に関する知見を提供する。

関連論文リスト

Pneumonia Detection on chest X-ray images Using Ensemble of Deep Convolutional Neural Networks [7.232767871756102]
本稿では, 胸部X線画像の診断過程を簡略化するために, EL(Ensemble Learning) と呼ばれるコンピュータ支援型肺炎分類法を提案する。提案手法は,CNNモデルをスクラッチからトレーニングする代わりに,近年,多くの医療タスクのパフォーマンス向上に採用されているCNNモデルである畳み込みニューラルネットワーク(Convolutional Neural Network, CNN)モデルに基づく。提案したELアプローチは他の最先端手法よりも優れており、テスト段階では93.91%、F1スコアは93.88%の精度が得られる。
論文参考訳（メタデータ） (2023-12-13T08:28:21Z)
Identification of pneumonia on chest x-ray images through machine learning [0.0]
このソフトウェアは、移動学習技術を用いた機械学習に基づく計算モデルとして開発された。画像は、中国の病院で撮影された子供の胸部X線画像でオンラインで公開されているデータベースから収集された。
論文参考訳（メタデータ） (2023-09-21T12:10:22Z)
In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文参考訳（メタデータ） (2021-04-06T02:01:43Z)
Predicting Pneumonia and Region Detection from X-Ray Images using Deep Neural Network [0.0]
肺炎は、人の肺気嚢の炎症によって細菌とウイルスの両方によって引き起こされる感染症です。本稿では,X線画像を入力として受信し,この患者が肺炎に罹患しているかどうかを検証するアルゴリズムを提案する。このモデルは90.6パーセントの精度を達成し、モデルの有効性を確認している。
論文参考訳（メタデータ） (2021-01-19T16:43:05Z)
Pneumonia Detection on Chest X-ray using Radiomic Features and Contrastive Learning [26.031452674698787]
胸部X線における肺炎の検出に放射線学的特徴と造影学習を活用した新しい枠組みを提案する。 rsna肺炎検出チャレンジデータセットの実験により,いくつかの最先端モデルに優れた結果が得られた。
論文参考訳（メタデータ） (2021-01-12T02:52:24Z)
M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文参考訳（メタデータ） (2020-10-07T06:22:24Z)
Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文参考訳（メタデータ） (2020-07-20T19:08:50Z)
Improving performance of CNN to predict likelihood of COVID-19 using chest X-ray images with preprocessing algorithms [0.3180570080674292]
本研究は,胸部X線画像のコンピュータ支援診断手法の開発の可能性を示した。 8,474個の胸部X線画像のデータセットを使用して、CNNベースのCADスキームをトレーニングし、テストする。検査結果は、3つのクラスを分類する際の総合的精度の94.0%、コビッドウイルスの感染者を検出する際の精度の98.6%を達成している。
論文参考訳（メタデータ） (2020-06-11T16:45:46Z)
Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。コンピュータ支援診断システムは診断精度を向上させる可能性を示した。本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
論文参考訳（メタデータ） (2020-05-28T10:54:34Z)
Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文参考訳（メタデータ） (2020-05-24T23:13:16Z)
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。