論文の概要: A Hybrid Deep Learning CNN Model for Enhanced COVID-19 Detection from Computed Tomography (CT) Scan Images
- arxiv url: http://arxiv.org/abs/2501.17160v1
- Date: Tue, 28 Jan 2025 18:59:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-29 16:42:05.494465
- Title: A Hybrid Deep Learning CNN Model for Enhanced COVID-19 Detection from Computed Tomography (CT) Scan Images
- Title(参考訳): CT画像からのCOVID-19検出のためのハイブリッド深層学習CNNモデル
- Authors: Suresh Babu Nettur, Shanthi Karpurapu, Unnati Nettur, Likhit Sagar Gajja, Sravanthy Myneni, Akhil Dusi, Lalithya Posham,
- Abstract要約: 新型コロナウイルスの早期検出は、効果的な治療と感染拡大の制御に不可欠である。
本研究では,CTスキャン画像から新型コロナウイルスを検出するためのハイブリッドディープラーニングモデルを提案する。
提案モデルでは,精度98.93%の精度を実現し,精度,リコール,F1スコア,ROC曲線性能を比較検討した。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Early detection of COVID-19 is crucial for effective treatment and controlling its spread. This study proposes a novel hybrid deep learning model for detecting COVID-19 from CT scan images, designed to assist overburdened medical professionals. Our proposed model leverages the strengths of VGG16, DenseNet121, and MobileNetV2 to extract features, followed by Principal Component Analysis (PCA) for dimensionality reduction, after which the features are stacked and classified using a Support Vector Classifier (SVC). We conducted comparative analysis between the proposed hybrid model and individual pre-trained CNN models, using a dataset of 2,108 training images and 373 test images comprising both COVID-positive and non-COVID images. Our proposed hybrid model achieved an accuracy of 98.93%, outperforming the individual models in terms of precision, recall, F1 scores, and ROC curve performance.
- Abstract(参考訳): 新型コロナウイルスの早期検出は、効果的な治療と感染拡大の制御に不可欠である。
本研究では,CTスキャン画像から新型コロナウイルスを検出するハイブリッド深層学習モデルを提案する。
提案モデルでは,VGG16,DenseNet121,MobileNetV2の長所を利用して特徴を抽出し,次に主成分分析(PCA)を用いて次元化を行い,その特徴を積み重ねて支援ベクトル分類器(SVC)を用いて分類する。
2,108枚のトレーニング画像と373枚のテスト画像を用いて,提案したハイブリッドモデルと個別事前学習CNNモデルの比較分析を行った。
提案したハイブリッドモデルは98.93%の精度を達成し、精度、リコール、F1スコア、ROC曲線のパフォーマンスにおいて個々のモデルよりも優れていた。
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) - Auto-Lesion Segmentation with a Novel Intensity Dark Channel Prior for
COVID-19 Detection [0.24578723416255752]
本研究は,他の肺疾患との鑑別を目的としたCTベースの放射線治療フレームワークを開発した。
画像は、新型コロナウイルス(COVID-19)、非新型コロナウイルス(non-COVID-19)、または正常の3つのクラスに分類される。
最高の性能分類モデルであるResidual Neural Network(Resnet-50)は、平均精度、精度、リコール、F1スコアが98.8%、99%、98%、98%に達した。
論文 参考訳(メタデータ) (2023-09-22T06:09:48Z) - 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) - Enhancing COVID-19 Severity Analysis through Ensemble Methods [13.792760290422185]
本稿では、新型コロナウイルス患者の感染症領域を抽出するためのドメイン知識に基づくパイプラインを提案する。
感染の重症度は、3つの機械学習モデルのアンサンブルを使用して異なるカテゴリに分類される。
提案システムは,AI-Enabled Medical Image Analysis WorkshopとCOVID-19診断コンペティションの検証データセットを用いて評価した。
論文 参考訳(メタデータ) (2023-03-13T13:59:47Z) - Explainable and Lightweight Model for COVID-19 Detection Using Chest
Radiology Images [0.0]
畳み込みニューラルネットワーク(CNN)は、大量のデータをトレーニングする際の画像解析タスクに適している。
新型コロナウイルス(COVID-19)の検出のために提案されたツールのほとんどは、高い感度とリコールを持っているが、目に見えないデータセットでのテストでは、一般化と実行に失敗している。
本研究は,提案モデルの成功と失敗について,画像レベルで詳細に考察する。
論文 参考訳(メタデータ) (2022-12-28T11:48:29Z) - COVID-19 Detection Using Transfer Learning Approach from Computed
Tomography Images [0.0]
我々は最近,CT(CT)画像データベースを用いた移動学習手法を提案する。
具体的には、新型コロナウイルス検出のための改良型Xceptionモデルの有効性について検討する。
その結果、検証サブセット上での精度、精度、リコール、マクロF1スコアにおけるメソッドの優位性を明らかにした。
論文 参考訳(メタデータ) (2022-07-01T08:22:00Z) - 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) - 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) - Explainable COVID-19 Detection Using Chest CT Scans and Deep Learning [0.07994291858620557]
本稿では,各深層建築に適したカスタムサイズ入力を用いた伝達学習戦略を提案する。
我々は2つのCT画像データセット、SARS-CoV-2 CTスキャンとCOVID19-CTで広範囲に実験を行った。
その結果,従来の研究と比較すると,モデルの性能は優れていた。
論文 参考訳(メタデータ) (2020-11-09T17:37:31Z) - 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) - Adaptive Feature Selection Guided Deep Forest for COVID-19
Classification with Chest CT [49.09507792800059]
胸部CT画像に基づくCOVID-19分類のための適応的特徴選択ガイド付き深層林(AFS-DF)を提案する。
AFS-DF on COVID-19 data with 1495 patients of COVID-19 and 1027 patients of community acquired pneumonia (CAP)。
論文 参考訳(メタデータ) (2020-05-07T06:00:02Z)
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。