論文の概要: Chronic Obstructive Pulmonary Disease Prediction Using Deep Convolutional Network
- arxiv url: http://arxiv.org/abs/2411.02449v2
- Date: Sun, 22 Dec 2024 11:19:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:51:23.304677
- Title: Chronic Obstructive Pulmonary Disease Prediction Using Deep Convolutional Network
- Title(参考訳): Deep Convolutional Network を用いた慢性閉塞性肺疾患の予測
- Authors: Shahran Rahman Alve, Muhammad Zawad Mahmud, Samiha Islam, Mohammad Monirujjaman Khan,
- Abstract要約: 提案された研究は、Convolutional Brain Organizationに基づくディープラーニングのアイデアを使用して、臨床専門家を支援することを望んでいる。
We used MFCC, Mel-Spectrogram, Chroma, Chroma (Steady Q), and Chroma CENS from the Librosa AI library in the test。
新しいシステムは、感染の深刻さ、軽度、中等度、あるいは重症度も調べることもできる。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: AI and deep learning are two recent innovations that have made a big difference in helping to solve problems in the clinical space. Using clinical imaging and sound examination, they also work on improving their vision so that they can spot diseases early and correctly. Because there aren't enough trained HR, clinical professionals are asking for help with innovation because it helps them adapt to more patients. Aside from serious health problems like cancer and diabetes, the effects of respiratory infections are also slowly getting worse and becoming dangerous for society. Respiratory diseases need to be found early and treated quickly, so listening to the sounds of the lungs is proving to be a very helpful tool along with chest X-rays. The presented research hopes to use deep learning ideas based on Convolutional Brain Organization to help clinical specialists by giving a detailed and thorough analysis of clinical respiratory sound data for Ongoing Obstructive Pneumonic identification. We used MFCC, Mel-Spectrogram, Chroma, Chroma (Steady Q), and Chroma CENS from the Librosa AI library in the tests we ran. The new system could also figure out how serious the infection was, whether it was mild, moderate, or severe. The test results agree with the outcome of the deep learning approach that was proposed. The accuracy of the framework arrangement has been raised to a score of 96% on the ICBHI. Also, in the led tests, we used K-Crisp Cross-Approval with ten parts to make the presentation of the new deep learning approach easier to understand. With a 96 percent accuracy rate, the suggested network is better than the rest. If you don't use cross-validation, the model is 90% accurate.
- Abstract(参考訳): AIとディープラーニングは、臨床分野における問題の解決に大きく貢献した、最近の2つのイノベーションである。
臨床画像と音響検査を使って、彼らは病気を早期かつ正確に発見できるように、視力の改善にも取り組んでいます。
十分に訓練されたHRがないので、臨床専門家は、より多くの患者に適応するのに役立つため、イノベーションの助けを求めている。
がんや糖尿病などの深刻な健康問題に加えて、呼吸器感染症の影響も徐々に悪化し、社会にとって危険になっている。
呼吸器疾患は早期に発見され、迅速に治療する必要があるため、肺の音を聴くことは胸部X線と共に非常に有用な道具であることが証明されている。
提案した研究は、畳み込み脳組織に基づく深層学習のアイデアを用いて、臨床専門医を支援することを目的として、進行する閉塞性肺炎の識別のための臨床呼吸音データの詳細と詳細な分析を行った。
We used MFCC, Mel-Spectrogram, Chroma, Chroma (Steady Q), and Chroma CENS from the Librosa AI library in the test。
新しいシステムは、感染の深刻さ、軽度、中等度、あるいは重症度も調べることもできる。
実験結果は,提案したディープラーニングアプローチの結果と一致している。
ICBHIでは,フレームワークアレンジメントの精度が96%に向上した。
また、リードテストでは、K-Crisp Cross-Approvalを10のパートで使用して、新しいディープラーニングアプローチのプレゼンテーションを簡単に理解できるようにしました。
96%の精度で、提案されたネットワークは他のネットワークよりも優れている。
クロスバリデーションを使用しなければ、そのモデルは90%正確です。
関連論文リスト
- Rene: A Pre-trained Multi-modal Architecture for Auscultation of Respiratory Diseases [5.810320353233697]
本稿では,呼吸音の認識に適した大規模モデルであるReneを紹介する。
我々の革新的なアプローチは、事前訓練された音声認識モデルを用いて呼吸音を処理している。
我々は,Reneアーキテクチャを用いた実時間呼吸音識別システムを開発した。
論文 参考訳(メタデータ) (2024-05-13T03:00:28Z) - Explainable Lung Disease Classification from Chest X-Ray Images Utilizing Deep Learning and XAI [0.0]
この研究は、異なる肺疾患をウイルス性肺炎、細菌性肺炎、COVID、結核、正常肺の5つのグループに分類することに焦点を当てている。
CNN、ハイブリッドモデル、アンサンブル、トランスフォーマー、Big Transferなど、さまざまなモデルを調査します。
注目すべきは、Xceptionモデルは5倍のクロスバリデーションによって微調整され、96.21%の精度を達成することである。
論文 参考訳(メタデータ) (2024-04-17T14:34:35Z) - 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) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model
with Logic Regularization [59.15047491202254]
症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。
本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。
以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
論文 参考訳(メタデータ) (2022-06-02T07:57:17Z) - Novel Deep Learning Architecture for Heart Disease Prediction using
Convolutional Neural Network [0.0]
心臓病は、世界中の多くの人々の生活を妨げる最も致命的な病気の1つである。
本稿では,健康な人と非健康な人の分類に1次元畳み込みニューラルネットワークを用いた新しいディープラーニングアーキテクチャを提案する。
提案するネットワークは、データセット上で97%以上のトレーニング精度と96%のテスト精度を達成する。
論文 参考訳(メタデータ) (2021-05-22T22:00:57Z) - COVID-19 Detection from Chest X-ray Images using Imprinted Weights
Approach [67.05664774727208]
胸部X線撮影は、COVID-19の代替スクリーニング方法です。
コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。
この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
論文 参考訳(メタデータ) (2021-05-04T19:01:40Z) - 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) - Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural
Networks [68.8204255655161]
私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。
最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
論文 参考訳(メタデータ) (2020-12-29T01:14:17Z) - 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) - Can Machine Learning Be Used to Recognize and Diagnose Coughs? [3.2265234594751155]
呼吸器感染症のスクリーニングには,低複雑性,自動認識,診断ツールが有用である。
コンボリューショナルニューラルネットワーク (CNN) を用いて, 環境音のコアを検出し, 3つの潜在的な疾患を診断する。
提案された検出モデルと診断モデルはどちらも精度が89%以上であり、計算効率も高い。
論文 参考訳(メタデータ) (2020-04-01T20:14:36Z)
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。