論文の概要: Diagnosing COVID-19 Severity from Chest X-Ray Images Using ViT and CNN Architectures

• arxiv url: http://arxiv.org/abs/2502.16622v1
• Date: Sun, 23 Feb 2025 15:50:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:52:39.359692
• Title: Diagnosing COVID-19 Severity from Chest X-Ray Images Using ViT and CNN Architectures
• Title（参考訳）: ViTおよびCNNアーキテクチャを用いた胸部X線画像からのCOVID-19重症度診断
• Authors: Luis Lara, Lucia Eve Berger, Rajesh Raju, Shawn Whitfield,
• Abstract要約: 3つのソースをマージすることで、大規模なCOVID重症度データセットを作成します。 事前訓練されたDenseNet161モデルは3つの重大度予測問題において最善を尽くした。 平均絶対誤差は0.5676であり, 放射線技師が予測した重症度と比較すると最も高い回帰率を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The COVID-19 pandemic strained healthcare resources and prompted discussion about how machine learning can alleviate physician burdens and contribute to diagnosis. Chest x-rays (CXRs) are used for diagnosis of COVID-19, but few studies predict the severity of a patient's condition from CXRs. In this study, we produce a large COVID severity dataset by merging three sources and investigate the efficacy of transfer learning using ImageNet- and CXR-pretrained models and vision transformers (ViTs) in both severity regression and classification tasks. A pretrained DenseNet161 model performed the best on the three class severity prediction problem, reaching 80% accuracy overall and 77.3%, 83.9%, and 70% on mild, moderate and severe cases, respectively. The ViT had the best regression results, with a mean absolute error of 0.5676 compared to radiologist-predicted severity scores. The project's source code is publicly available.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは医療資源を圧迫し、機械学習が医師の負担を軽減し、診断に貢献する方法についての議論を引き起こした。 胸部X線(CXR)は新型コロナウイルスの診断に用いられるが、CXRから患者の症状の重症度を予測する研究はほとんどない。 本研究では、3つのソースをマージして大規模な重症度データセットを作成し、ImageNet-およびCXR-pretrained modelおよび視覚変換器(ViTs)を用いて、重度回帰および分類タスクにおける転写学習の有効性について検討する。 事前訓練されたDenseNet161モデルは3種類の重度予測問題で最善を尽くし、総合的に80%の精度で77.3%、83.9%、軽度、中等度、重度のケースで70%に達した。 平均絶対誤差は0.5676であり, 放射線技師が予測した重症度と比較すると最も高い回帰率を示した。 プロジェクトのソースコードは公開されている。

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)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• A Novel Implementation of Machine Learning for the Efficient, Explainable Diagnosis of COVID-19 from Chest CT [0.0]
  本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。 提案したモデルは0.927の総合精度と0.958の感度を得た。
  論文  参考訳（メタデータ） (2022-06-15T18:35:22Z)
• COVIDx CXR-3: A Large-Scale, Open-Source Benchmark Dataset of Chest X-ray Images for Computer-Aided COVID-19 Diagnostics [69.55060769611916]
  RT-PCR検査の補助的スクリーニング戦略としての胸部X線撮影(CXR)の利用が増加している。 CXRイメージングに基づく新型コロナウイルススクリーニングのための多くの視覚知覚モデルが提案されている。 我々は、COVID-19コンピュータビジョン研究を支援するために、CXR画像の大規模なベンチマークデータセットであるCOVIDx CXR-3を紹介する。
  論文  参考訳（メタデータ） (2022-06-08T04:39:44Z)
• COVID-19 Classification of X-ray Images Using Deep Neural Networks [36.99143569437537]
  本研究の目的は、新型コロナウイルスの診断のための機械学習モデルの作成と評価である。 機械学習モデルは、事前訓練されたディープラーニングモデル(ReNet50)を使用して構築され、データ拡張と肺分節によって強化された。 精度,感度,受信特性曲線(ROC)と高精度リコール曲線(P-R)を用いて評価した。
  論文  参考訳（メタデータ） (2020-10-03T13:57:08Z)
• 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)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• COVIDGR dataset and COVID-SDNet methodology for predicting COVID-19 based on Chest X-Ray images [0.0]
  現在、コロナウイルス(COVID-19)はRT-PCR検査、CTスキャン、胸部X線画像(CXR)を用いて診断されている。 ディープラーニングニューラルネットワークは、新型コロナウイルスのトリアージシステムを構築する大きな可能性を秘めている。 i) 最新の新型コロナウイルス分類モデルによって達成された高い感度をデミスティフィケーションし、(ii) スペインのグラナダにある病院大学Cl'inico San Cecilioと密接に協力し、COVIDGR-1.0を構築し、(iii) COVID Smart Data based Network(COVID-SD)を提案する。
  論文  参考訳（メタデータ） (2020-06-02T06:18:34Z)
• 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)
• CoroNet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images [0.0]
  CoroNetは、胸部X線画像からCOVID-19感染を自動的に検出するDeep Conceptional Neural Networkモデルである。 提案したモデルは全体の89.6%の精度を達成し、新型コロナウイルス患者の精度とリコール率は93%と98.2%である。
  論文  参考訳（メタデータ） (2020-04-10T07:46:07Z)

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。