論文の概要: Pneumonia App: a mobile application for efficient pediatric pneumonia diagnosis using explainable convolutional neural networks (CNN)

• arxiv url: http://arxiv.org/abs/2404.00549v1
• Date: Sun, 31 Mar 2024 03:35:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 03:00:38.449625
• Title: Pneumonia App: a mobile application for efficient pediatric pneumonia diagnosis using explainable convolutional neural networks (CNN)
• Title（参考訳）: Pneumonia App:説明可能な畳み込みニューラルネットワーク(CNN)を用いた効率的な小児肺炎診断のためのモバイルアプリケーション
• Authors: Jiaming Deng, Zhenglin Chen, Minjiang Chen, Lulu Xu, Jiaqi Yang, Zhendong Luo, Peiwu Qin,
• Abstract要約: マイコプラズマ肺炎(Mycoplasma pneumoniae pneumoniae pneumoniae)は、小児医療における重要な診断上の課題である。 PneumoniaAPPは,高速MPP検出にディープラーニング技術を活用するモバイルアプリケーションである。
• 参考スコア（独自算出の注目度）: 3.1828174924979136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mycoplasma pneumoniae pneumonia (MPP) poses significant diagnostic challenges in pediatric healthcare, especially in regions like China where it's prevalent. We introduce PneumoniaAPP, a mobile application leveraging deep learning techniques for rapid MPP detection. Our approach capitalizes on convolutional neural networks (CNNs) trained on a comprehensive dataset comprising 3345 chest X-ray (CXR) images, which includes 833 CXR images revealing MPP and additionally augmented with samples from a public dataset. The CNN model achieved an accuracy of 88.20% and an AUROC of 0.9218 across all classes, with a specific accuracy of 97.64% for the mycoplasma class, as demonstrated on the testing dataset. Furthermore, we integrated explainability techniques into PneumoniaAPP to aid respiratory physicians in lung opacity localization. Our contribution extends beyond existing research by targeting pediatric MPP, emphasizing the age group of 0-12 years, and prioritizing deployment on mobile devices. This work signifies a significant advancement in pediatric pneumonia diagnosis, offering a reliable and accessible tool to alleviate diagnostic burdens in healthcare settings.
• Abstract（参考訳）: マイコプラズマ肺炎肺炎(MPP)は、特に流行している中国などの地域では、小児医療において重大な診断上の課題となっている。 PneumoniaAPPは,高速MPP検出にディープラーニング技術を活用するモバイルアプリケーションである。 提案手法は,MPPを明らかにする833個のCXR画像を含む3345個の胸部X線(CXR)画像を含む包括的データセットに基づいてトレーニングされた畳み込みニューラルネットワーク(CNN)に便乗する。 CNNモデルは全てのクラスで88.20%、AUROCは0.9218の精度を達成し、テストデータセットで示されているように、マイコプラズマクラスの精度は97.64%だった。 さらに,呼吸器科医の肺透明度局所化を支援するために,説明可能性手法をPneumoniaAPPに統合した。 我々の貢献は、小児MPPをターゲットとし、0-12年の年齢グループを強調し、モバイルデバイスへのデプロイメントを優先することで、既存の研究を超えています。 この研究は、小児肺炎の診断の大幅な進歩を示すもので、医療現場での診断負担を軽減する信頼性が高くアクセスしやすいツールを提供する。

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)
• Prediction of Pneumonia and COVID-19 Using Deep Neural Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2023-08-20T21:26:37Z)
• An Adaptive and Altruistic PSO-based Deep Feature Selection Method for Pneumonia Detection from Chest X-Rays [28.656853454251426]
  肺炎は、特に世界の所得不足地域での小児死亡の主な原因の1つである。 コンピュータ支援型診断システム(CAD)は,プロの医療専門家よりも手術コストが低いため,そのような国で利用することができる。 深層学習の概念とメタヒューリスティックアルゴリズムを用いて,胸部X線からの肺炎検出のためのCADシステムを提案する。
  論文  参考訳（メタデータ） (2022-08-06T18:20:50Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep Convolutional Neural Network Design for Detection of COVID-19 Patient Cases from Point-of-care Ultrasound Imaging [101.27276001592101]
  我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型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 USを紹介した。 実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。 リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
  論文  参考訳（メタデータ） (2021-08-05T16:47:33Z)
• Artificial Intelligence Enhanced Rapid and Efficient Diagnosis of Mycoplasma Pneumoniae Pneumonia in Children Patients [12.952432973738654]
  我々は、機械学習モデルとして、ロジスティック回帰、決定木(DT)、勾配向上決定木(GBDT)、サポートベクターマシン(SVM)、多層パーセプトロン(MLP)を用いる。 mppデータセットに前処理手順を適用して分類処理を行った。 最も効率的な結果はGBDTによって得られる。 93.7%の精度で最高の性能を提供します。
  論文  参考訳（メタデータ） (2021-02-20T08:14:30Z)
• An ensemble-based approach by fine-tuning the deep transfer learning models to classify pneumonia from chest X-ray images [0.0]
  米国では、主に成人の25万人以上が肺炎と診断され、5万人が死亡している。 よく訓練された放射線科医の肺炎検出を見逃すことは珍しくなく、診断の正確性を改善する必要がある。 InceptionResNet、MobileNetV2、Xception、DenseNet201、ResNet152V2といった最先端のディープラーニングモデルを訓練、微調整して、肺炎を正確に分類しました。
  論文  参考訳（メタデータ） (2020-11-11T04:50:06Z)
• 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)
• 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)

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。