論文の概要: From Lab to Pocket: A Novel Continual Learning-based Mobile Application for Screening COVID-19

• arxiv url: http://arxiv.org/abs/2410.12589v1
• Date: Wed, 16 Oct 2024 14:10:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:43:07.820546
• Title: From Lab to Pocket: A Novel Continual Learning-based Mobile Application for Screening COVID-19
• Title（参考訳）: LabからPocket: 新型コロナウイルススクリーニングのための新しい学習ベースのモバイルアプリ
• Authors: Danny Falero, Muhammad Ashad Kabir, Nusrat Homaira,
• Abstract要約: 新型コロナウイルススクリーニングのためのモバイルアプリケーションの設計と実装について述べる。 胸部X線から新型コロナウイルスを検出するための最先端の継続的学習法について検討した。 DenseNet161は96.87%の精度で最高の基礎モデルとして登場した。
• 参考スコア（独自算出の注目度）: 0.9467360130705921
• License:
• Abstract: Artificial intelligence (AI) has emerged as a promising tool for predicting COVID-19 from medical images. In this paper, we propose a novel continual learning-based approach and present the design and implementation of a mobile application for screening COVID-19. Our approach demonstrates the ability to adapt to evolving datasets, including data collected from different locations or hospitals, varying virus strains, and diverse clinical presentations, without retraining from scratch. We have evaluated state-of-the-art continual learning methods for detecting COVID-19 from chest X-rays and selected the best-performing model for our mobile app. We evaluated various deep learning architectures to select the best-performing one as a foundation model for continual learning. Both regularization and memory-based methods for continual learning were tested, using different memory sizes to develop the optimal continual learning model for our app. DenseNet161 emerged as the best foundation model with 96.87\% accuracy, and Learning without Forgetting (LwF) was the top continual learning method with an overall performance of 71.99\%. The mobile app design considers both patient and doctor perspectives. It incorporates the continual learning DenseNet161 LwF model on a cloud server, enabling the model to learn from new instances of chest X-rays and their classifications as they are submitted. The app is designed, implemented, and evaluated to ensure it provides an efficient tool for COVID-19 screening. The app is available to download from https://github.com/DannyFGitHub/COVID-19PneumoCheckApp.
• Abstract（参考訳）: 人工知能(AI)は、医療画像から新型コロナウイルスを予測するための有望なツールとして登場した。 本稿では,新しい継続学習に基づくアプローチを提案し,新型コロナウイルススクリーニングのためのモバイルアプリケーションの設計と実装について述べる。 私たちのアプローチでは、さまざまな場所や病院から収集されたデータ、さまざまなウイルス株、さまざまな臨床プレゼンテーションなど、スクラッチから再トレーニングすることなく、進化するデータセットに適応できることが示されています。 我々は、胸部X線から新型コロナウイルスを検出するための最先端の継続的学習手法を評価し、モバイルアプリの最高のパフォーマンスモデルを選択した。 連続学習の基礎モデルとして最も優れたディープラーニングアーキテクチャを選定するために,各種ディープラーニングアーキテクチャを評価した。 連続学習のための正規化法とメモリベース法の両方をテストし、異なるメモリサイズを用いてアプリのための最適な連続学習モデルを開発した。 DenseNet161 は96.87 %の精度で最高の基礎モデルとして登場し、LwF (Learning without Forgetting) は71.99 %の総合的な性能を持つ最高連続学習法であった。 モバイルアプリのデザインは、患者と医師の両方の視点を考慮している。 クラウドサーバ上での継続的学習DenseNet161 LwFモデルを組み込んで,胸部X線の新たなインスタンスとその分類からモデルを学習することができる。 このアプリは、新型コロナウイルススクリーニングのための効率的なツールを提供することを保証するために、設計、実装、評価されている。 アプリはhttps://github.com/DannyFGitHub/COVID-19PneumoCheckAppからダウンロードできる。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• An Ensemble Deep Learning Approach for COVID-19 Severity Prediction Using Chest CT Scans [8.512389316218943]
  胸部CTによる重症度予測について検討した。 我々は複数のニューラルネットワークを組み込んで予測を改善するアンサンブル深層学習モデルを開発した。
  論文  参考訳（メタデータ） (2023-05-17T10:43:15Z)
• NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision Research [96.53307645791179]
  我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。 分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。 NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
  論文  参考訳（メタデータ） (2022-11-15T18:57:46Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• COVID-19 detection from scarce chest x-ray image data using deep learning [0.0]
  現在の新型コロナウイルスのパンデミックでは、感染した患者を迅速かつ正確に検査する必要がある。 胸部x線画像で訓練されたディープラーニングモデルを使うことは、新型コロナウイルス患者のスクリーニングに効果的な方法となる。 少数の学習は、少ないデータ量で目的を学ぶことを目的とした機械学習のサブフィールドです。
  論文  参考訳（メタデータ） (2021-02-11T22:06:03Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• Accelerating COVID-19 Differential Diagnosis with Explainable Ultrasound Image Analysis [7.471424290647929]
  われわれは106本のビデオからなる新型コロナウイルスの肺超音波(US)データセットを公開している。 我々は、フレームベースの畳み込みニューラルネットワークを提案し、COVID-19 USビデオの感度0.98+0.04、特異度0.91+-08で正しく分類する。
  論文  参考訳（メタデータ） (2020-09-13T23:52:03Z)
• Intra-model Variability in COVID-19 Classification Using Chest X-ray Images [0.0]
  12の共通ディープラーニングアーキテクチャにおいて,胸部X線におけるCOVID-19検出のためのベースライン性能指標と変数の定量化を行う。 最高のパフォーマンスモデルでは、新型コロナウイルスをホールドアウトセットで検出する際の偽陰性率は20点中3点である。
  論文  参考訳（メタデータ） (2020-04-30T21:20:32Z)
• A Data and Compute Efficient Design for Limited-Resources Deep Learning [68.55415606184]
  同変ニューラルネットワークは 深層学習コミュニティへの関心を高めています 医療分野では、データの対称性を効果的に活用して、より正確で堅牢なモデルの構築に成功している。 ディープ・ラーニング・ソリューションのモバイル・オン・デバイス実装は医療応用のために開発されている。 しかし、同変モデルは大規模で計算コストのかかるアーキテクチャを用いて一般的に実装されており、モバイルデバイス上では動作しない。 本研究では、MobileNetV2の同変バージョンを設計、テストし、さらにモデル量子化により最適化し、より効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-21T00:49:11Z)
• 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)

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。