論文の概要: Comparison of Neural Models for X-ray Image Classification in COVID-19 Detection
- arxiv url: http://arxiv.org/abs/2501.04196v1
- Date: Wed, 08 Jan 2025 00:17:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-09 14:54:55.613930
- Title: Comparison of Neural Models for X-ray Image Classification in COVID-19 Detection
- Title(参考訳): 新型コロナウイルス検出におけるX線画像分類のためのニューラルモデルの比較
- Authors: Jimi Togni, Romis Attux,
- Abstract要約: 本研究は、放射線画像における新型コロナウイルス感染の検出方法の比較分析である。
DenseNetはマルチクラスアプローチでADAM最適化関数を使用して97.64%の精度を達成した。
バイナリ分類のアプローチでは、VGG、ResNet、MobileNetネットワークが取得した最高精度は99.98%であった。
- 参考スコア(独自算出の注目度): 0.8287206589886879
- License:
- Abstract: This study presents a comparative analysis of methods for detecting COVID-19 infection in radiographic images. The images, sourced from publicly available datasets, were categorized into three classes: 'normal,' 'pneumonia,' and 'COVID.' For the experiments, transfer learning was employed using eight pre-trained networks: SqueezeNet, DenseNet, ResNet, AlexNet, VGG, GoogleNet, ShuffleNet, and MobileNet. DenseNet achieved the highest accuracy of 97.64% using the ADAM optimization function in the multiclass approach. In the binary classification approach, the highest precision was 99.98%, obtained by the VGG, ResNet, and MobileNet networks. A comparative evaluation was also conducted using heat maps.
- Abstract(参考訳): 本研究は、放射線画像における新型コロナウイルス感染の検出方法の比較分析である。
公開されているデータセットから得られた画像は、「正常」、「肺炎」、「COVID」の3つのクラスに分類された。
実験では、SqueezeNet、DenseNet、ResNet、AlexNet、VGG、GoogleNet、ShuffleNet、MobileNetの8つのトレーニング済みネットワークを使用して転送学習が行われた。
DenseNetはマルチクラスのアプローチでADAM最適化関数を使用して97.64%の精度を達成した。
バイナリ分類のアプローチでは、VGG、ResNet、MobileNetネットワークが取得した最高精度は99.98%であった。
また,熱マップを用いて比較評価を行った。
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) - CT-xCOV: a CT-scan based Explainable Framework for COVid-19 diagnosis [6.2997667081978825]
CT-xCOVは、Deep Learning(DL)をCTスキャンに用いた新型コロナウイルス診断のための説明可能なフレームワークである。
肺のセグメンテーションでは、よく知られたU-Netモデルを使用し、COVID-19検出では、3つの異なるCNNアーキテクチャを比較した。
視覚的説明のために、我々は3つの異なるXAI技術、すなわちGrad-Cam、Integrated Gradient (IG)、LIMEを適用した。
論文 参考訳(メタデータ) (2023-11-24T13:14:10Z) - Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳(メタデータ) (2023-09-01T11:15:50Z) - Benchmarking Deep Learning Frameworks for Automated Diagnosis of Ocular
Toxoplasmosis: A Comprehensive Approach to Classification and Segmentation [1.3701366534590498]
眼トキソプラズマ症(Ocular Toxoplasmosis,OT)は、眼疾患を引き起こすT. gondiiによって引き起こされる一般的な眼感染症である。
本研究は、DL技術を活用し、安価で自動化され、使いやすく、正確な診断方法を開発しようとしている将来の研究者のためのガイドを提供する。
論文 参考訳(メタデータ) (2023-05-18T13:42:15Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳(メタデータ) (2023-04-18T15:39:58Z) - Comparative analysis of deep learning approaches for AgNOR-stained
cytology samples interpretation [52.77024349608834]
本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。
以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。
最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
論文 参考訳(メタデータ) (2022-10-19T15:15:32Z) - COV-ECGNET: COVID-19 detection using ECG trace images with deep
convolutional neural network [0.40631409309544836]
本研究は、心電図(ECG)からCOVID-19を検出するために、ディープ畳み込みニューラルネットワーク(CNN)モデルを使用することの可能性を検討する。
本研究は、深層学習技術を用いて、COVID-19および他の心血管疾患(CVD)を検出した。
論文 参考訳(メタデータ) (2021-06-01T12:33:08Z) - Deep learning for COVID-19 diagnosis based feature selection using
binary differential evolution algorithm [1.332091725929965]
新型コロナウイルスは急速に普及しており、多くの人々の命を奪っている。
深層畳み込みニューラルネットワークは、画像の分類に強力なツールである。
提案手法は,X線画像を用いた新型コロナウイルス検出の最近の研究より優れていることが示された。
論文 参考訳(メタデータ) (2021-04-15T07:12:58Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳(メタデータ) (2021-01-14T03:45:01Z) - 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) - A modified deep convolutional neural network for detecting COVID-19 and
pneumonia from chest X-ray images based on the concatenation of Xception and
ResNet50V2 [0.0]
我々は、X線画像を正常、肺炎、COVID-19の3つのクラスに分類する訓練手法を導入し、いくつかの深層畳み込みネットワークを訓練した。
このデータには、新型コロナウイルスに感染した人のX線画像180枚が含まれています。
新型コロナウイルス感染症を検出するためのネットワークの平均精度は99.50%であり、全クラスの平均精度は91.4%である。
論文 参考訳(メタデータ) (2020-04-17T03:38:39Z)
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。