論文の概要: Evaluating Convolutional Neural Networks for COVID-19 classification in chest X-ray images
- arxiv url: http://arxiv.org/abs/2412.19362v1
- Date: Thu, 26 Dec 2024 22:05:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-30 17:27:24.083921
- Title: Evaluating Convolutional Neural Networks for COVID-19 classification in chest X-ray images
- Title（参考訳）: 胸部X線画像における新型コロナウイルス分類のための畳み込みニューラルネットワークの評価
- Authors: Leonardo Gabriel Ferreira Rodrigues, Danilo Ferreira da Silva, Larissa Ferreira Rodrigues, João Fernando Mari,
- Abstract要約: 感染患者の効果的なスクリーニングは、新型コロナウイルスと闘うための重要なステップである。
胸部X線画像を用いた最近の研究は、新型コロナウイルスに関する関連情報が含まれていることを示唆している。
本稿では,4つの畳み込みニューラルネットワークを用いた胸部X線画像を用いた新型コロナウイルス自動検出手法を提案する。
- 参考スコア（独自算出の注目度）: 0.31457219084519006
- License:
- Abstract: Coronavirus Disease 2019 (COVID-19) pandemic rapidly spread globally, impacting the lives of billions of people. The effective screening of infected patients is a critical step to struggle with COVID-19, and treating the patients avoiding this quickly disease spread. The need for automated and scalable methods has increased due to the unavailability of accurate automated toolkits. Recent researches using chest X-ray images suggest they include relevant information about the COVID-19 virus. Hence, applying machine learning techniques combined with radiological imaging promises to identify this disease accurately. It is straightforward to collect these images once it is spreadly shared and analyzed in the world. This paper presents a method for automatic COVID-19 detection using chest Xray images through four convolutional neural networks, namely: AlexNet, VGG-11, SqueezeNet, and DenseNet-121. This method had been providing accurate diagnostics for positive or negative COVID-19 classification. We validate our experiments using a ten-fold cross-validation procedure over the training and test sets. Our findings include the shallow fine-tuning and data augmentation strategies that can assist in dealing with the low number of positive COVID-19 images publicly available. The accuracy for all CNNs is higher than 97.00%, and the SqueezeNet model achieved the best result with 99.20%.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは世界中で急速に広がり、数十億人の人々の生活に影響を及ぼした。
感染した患者の効果的なスクリーニングは、新型コロナウイルスに苦しむ上で重要なステップであり、この急激な感染拡大を避けるために患者を治療する。
自動化された拡張性のあるメソッドの必要性は、正確な自動化ツールキットが利用できないために増大している。
胸部X線画像を用いた最近の研究は、新型コロナウイルスに関する関連情報が含まれていることを示唆している。
したがって、機械学習技術と放射線画像を組み合わせることで、この病気を正確に識別することができる。
世界中に広範に共有され、分析されると、これらの画像を集めることは容易である。
本稿では,4つの畳み込みニューラルネットワーク(AlexNet,VGG-11,SqueezeNet,DenseNet-121)による胸部X線画像の自動検出手法を提案する。
この方法では、陽性または陰性な新型コロナウイルスの分類の正確な診断が提供されていた。
トレーニングセットとテストセットの10倍のクロスバリデーション手順を用いて実験を検証した。
私たちの発見には、新型コロナウイルスの陽性画像の少ない数の処理を支援する、浅い微調整とデータ拡張戦略が含まれています。
全てのCNNの精度は97.00%を超え、SqueezeNetモデルは99.20%で最高の結果を得た。
関連論文リスト
- The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - Generation of COVID-19 Chest CT Scan Images using Generative Adversarial
Networks [0.0]
SARS-CoV-2は、新型コロナウイルスに感染するウイルス性伝染病で、世界中で急速に広まっている。
拡散を減らすために人々をテストし、分離することが非常に重要であり、ここからは、これを迅速かつ効率的に行う必要がある。
いくつかの研究によると、Chest-CTは、新型コロナウイルス患者の診断において、現在の標準であるRT-PCR検査より優れている。
論文 参考訳（メタデータ） (2021-05-20T13:04:21Z) - 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) - CovidGAN: Data Augmentation Using Auxiliary Classifier GAN for Improved
Covid-19 Detection [6.123089440692208]
ウイルス(covid-19)は重症急性呼吸器症候群(sarscov-2)によるウイルス性疾患である。
初期の結果は、covid-19を示唆する患者の胸部x線に異常が存在することを示唆している。
convolutional neural networks(cnns)のようなディープラーニングシステムは、かなりの量のトレーニングデータを必要とする。
論文 参考訳（メタデータ） (2021-03-08T21:53:29Z) - Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19
Using Convolutional Neural Network [2.752817022620644]
最近の研究で、新型コロナウイルス患者のX線写真には、新型コロナウイルスに関する情報が含まれていることが示されている。
胸部X線(CXR)は、高速な撮像時間、広範囲の可用性、低コスト、可搬性から注目されている。
本研究では、CXR画像から新型コロナウイルスの分類を改善するために、新しい多機能畳み込みニューラルネットワーク(CNN)アーキテクチャを設計する。
論文 参考訳（メタデータ） (2020-11-06T20:26:26Z) - 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) - COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for
Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。
また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
論文 参考訳（メタデータ） (2020-09-08T15:49:55Z) - Automated Chest CT Image Segmentation of COVID-19 Lung Infection based
on 3D U-Net [0.0]
新型コロナウイルス(COVID-19)は世界中の何十億もの生命に影響を与え、公衆医療に大きな影響を与えている。
新型コロナウイルス感染地域のための革新的な自動セグメンテーションパイプラインを提案する。
本手法は,複数の前処理手法を実行することにより,一意およびランダムな画像パッチをオンザフライで生成する訓練に焦点をあてる。
論文 参考訳（メタデータ） (2020-06-24T17:29:26Z) - 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) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳（メタデータ） (2020-04-15T12:30:40Z) - Can AI help in screening Viral and COVID-19 pneumonia? [0.0]
本研究の目的は,デジタル胸部X線画像からCOVID-19肺炎を自動的に検出するためのロバストな手法を提案することである。
このデータベースには423のCOVID-19、1485のウイルス性肺炎、1579の正常な胸部X線画像が含まれている。
両者の分類精度、精度、感度、特異性はそれぞれ99.7%、99.7%、99.55%、97.9%、97.95%、97.9%、98.8%であった。
論文 参考訳（メタデータ） (2020-03-29T21:37:21Z)
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。