論文の概要: Developing a Dual-Stage Vision Transformer Model for Lung Disease Classification

• arxiv url: http://arxiv.org/abs/2409.18257v1
• Date: Thu, 26 Sep 2024 19:59:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 15:01:18.540710
• Title: Developing a Dual-Stage Vision Transformer Model for Lung Disease Classification
• Title（参考訳）: 肺疾患分類のためのデュアルステージ視覚変換器モデルの開発
• Authors: Anirudh Mazumder, Jianguo Liu,
• Abstract要約: 肺疾患は全米で流行し、3400万人以上の人に影響を与えている。 さまざまな種類の肺疾患の正確な診断とタイムリーな診断が重要であり、人工知能(AI)の手法はこれらのプロセスを高速化する可能性がある。 この研究を通じて、視覚変換器(ViT)とスイニング変換器(Swin Transformer)を統合して、X線スキャンで14種類の肺疾患を分類する。
• 参考スコア（独自算出の注目度）: 1.533621522547669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lung diseases have become a prevalent problem throughout the United States, affecting over 34 million people. Accurate and timely diagnosis of the different types of lung diseases is critical, and Artificial Intelligence (AI) methods could speed up these processes. A dual-stage vision transformer is built throughout this research by integrating a Vision Transformer (ViT) and a Swin Transformer to classify 14 different lung diseases from X-ray scans of patients with these diseases. The proposed model achieved an accuracy of 92.06\% when making predictions on an unseen testing subset of the dataset after data preprocessing and training the neural network. The model showed promise for accurately classifying lung diseases and diagnosing patients who suffer from these harmful diseases.
• Abstract（参考訳）: 肺疾患は全米で流行し、3400万人以上の人に影響を与えている。 さまざまな種類の肺疾患の正確な診断とタイムリーな診断が重要であり、人工知能(AI)の手法はこれらのプロセスを高速化する可能性がある。 この研究を通じて、視覚変換器(ViT)とスイニング変換器(Swin Transformer)を統合して、X線スキャンで14種類の肺疾患を分類する。 提案モデルでは,ニューラルネットワークを前処理し,トレーニングした後,データセットの未知のテストサブセット上で予測を行うと,92.06\%の精度を達成した。 このモデルでは、肺疾患を正確に分類し、これらの有害疾患に苦しむ患者を診断することが約束された。

関連論文リスト

• Deep Learning for Lung Disease Classification Using Transfer Learning and a Customized CNN Architecture with Attention [17.079190595821494]
  本研究は、健康な肺を描写するX線、肺不透明度を示すX線、ウイルス性肺炎を示すX線を分類することに集中する。 トレーニング済みの5つのモデルをLung X-ray Imageデータセットでテストする予定である。 MobileNetV2をベースとしたMobileNet-Lungは肺疾患分類に取り組み,0.933の精度を実現した。
  論文  参考訳（メタデータ） (2024-08-23T16:00:10Z)
• Variational Autoencoders for Feature Exploration and Malignancy Prediction of Lung Lesions [0.0]
  肺がんはイギリスで21%のがん死の原因となっている。 最近の研究は、定期的なスキャンから肺がんの正確な早期診断のためのAI手法の能力を実証している。 本研究では, 変異型オートエンコーダ(VAE)の肺癌病変に対する応用について検討した。
  論文  参考訳（メタデータ） (2023-11-27T11:12:33Z)
• CoVid-19 Detection leveraging Vision Transformers and Explainable AI [0.0]
  肺疾患は、死因のトップ30のうち5つに原因がある。 早期に肺疾患を診断することが重要である。 ディープラーニングアルゴリズムは、自律的、迅速、そして正確な肺疾患の同定に重要な可能性を秘めている。
  論文  参考訳（メタデータ） (2023-07-29T17:45:27Z)
• Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
  患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
  論文  参考訳（メタデータ） (2023-03-02T07:47:07Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Accurate and Rapid Diagnosis of COVID-19 Pneumonia with Batch Effect Removal of Chest CT-Scans and Interpretable Artificial Intelligence [0.0]
  我々は、健康な人、新型コロナウイルス患者、他の肺炎疾患患者をCTスキャン画像から識別する、解釈可能な新しいディープニューラルネットワークを設計した。 このモデルは97.75%と98.15%の感度に達し、87%と81.03%の特異性は、病気から健康な人々と他の病気から分離している。
  論文  参考訳（メタデータ） (2020-11-23T21:23:55Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• 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)

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。