論文の概要: An Integrated Deep Learning Framework Leveraging NASNet and Vision Transformer with MixProcessing for Accurate and Precise Diagnosis of Lung Diseases

• arxiv url: http://arxiv.org/abs/2502.20570v1
• Date: Thu, 27 Feb 2025 22:17:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:42:52.875649
• Title: An Integrated Deep Learning Framework Leveraging NASNet and Vision Transformer with MixProcessing for Accurate and Precise Diagnosis of Lung Diseases
• Title（参考訳）: NASNetとVision Transformerを併用した総合的ディープラーニングフレームワークによる肺疾患の高精度・高精度診断
• Authors: Sajjad Saleem, Muhammad Imran Sharif,
• Abstract要約: NASNet-ViTモデルは、98.9%の精度、0.99の感度、0.989のF1スコア、0.987の特異性を実現している。 これらの結果は,NASNet-ViTが有意な特徴を抽出し,様々な種類の肺疾患を高い精度で認識する上で,高品質な能力を反映している。
• 参考スコア（独自算出の注目度）: 0.12277343096128711
• License:
• Abstract: The lungs are the essential organs of respiration, and this system is significant in the carbon dioxide and exchange between oxygen that occurs in human life. However, several lung diseases, which include pneumonia, tuberculosis, COVID-19, and lung cancer, are serious healthiness challenges and demand early and precise diagnostics. The methodological study has proposed a new deep learning framework called NASNet-ViT, which effectively incorporates the convolution capability of NASNet with the global attention mechanism capability of Vision Transformer ViT. The proposed model will classify the lung conditions into five classes: Lung cancer, COVID-19, pneumonia, TB, and normal. A sophisticated multi-faceted preprocessing strategy called MixProcessing has been used to improve diagnostic accuracy. This preprocessing combines wavelet transform, adaptive histogram equalization, and morphological filtering techniques. The NASNet-ViT model performs at state of the art, achieving an accuracy of 98.9%, sensitivity of 0.99, an F1-score of 0.989, and specificity of 0.987, outperforming other state of the art architectures such as MixNet-LD, D-ResNet, MobileNet, and ResNet50. The model's efficiency is further emphasized by its compact size, 25.6 MB, and a low computational time of 12.4 seconds, hence suitable for real-time, clinically constrained environments. These results reflect the high-quality capability of NASNet-ViT in extracting meaningful features and recognizing various types of lung diseases with very high accuracy. This work contributes to medical image analysis by providing a robust and scalable solution for diagnostics in lung diseases.
• Abstract（参考訳）: 肺は呼吸の必須の器官であり、この系はヒトの生活で起こる二酸化炭素と酸素の交換において重要である。 しかし、肺炎、結核、COVID-19、肺癌などいくつかの肺疾患は深刻な健康上の問題であり、早期かつ正確な診断を必要としている。 提案手法は,NASNetの畳み込み能力と視覚変換器ViTのグローバルアテンション機構を効果的に組み込んだ,NASNet-ViTと呼ばれる新しいディープラーニングフレームワークを提案する。 肺の症状は、肺がん、COVID-19、肺炎、TB、正常の5つのクラスに分類される。 MixProcessingと呼ばれる高度な多面的前処理戦略が、診断精度を向上させるために使用されている。 この前処理はウェーブレット変換、適応ヒストグラム等化、形態学的フィルタリング技術を組み合わせたものである。 NASNet-ViTモデルは最先端で動作し、精度は98.9%、感度は0.99、F1スコアは0.989、特異性は0.987であり、MixNet-LD、D-ResNet、MobileNet、ResNet50などの最先端アーキテクチャより優れている。 このモデルの効率は25.6MBのコンパクトなサイズと12.4秒の低い計算時間により強調され、したがってリアルタイムで臨床的に制約された環境に適している。 これらの結果は,NASNet-ViTが有意な特徴を抽出し,様々な種類の肺疾患を高い精度で認識する上で,高品質な能力を反映している。 この研究は、肺疾患の診断に堅牢でスケーラブルなソリューションを提供することによって、医用画像解析に寄与する。

関連論文リスト

• Deep Learning for Lung Disease Classification Using Transfer Learning and a Customized CNN Architecture with Attention [17.079190595821494]
  本研究は、健康な肺を描写するX線、肺不透明度を示すX線、ウイルス性肺炎を示すX線を分類することに集中する。 トレーニング済みの5つのモデルをLung X-ray Imageデータセットでテストする予定である。 MobileNetV2をベースとしたMobileNet-Lungは肺疾患分類に取り組み,0.933の精度を実現した。
  論文  参考訳（メタデータ） (2024-08-23T16:00:10Z)
• Efficient and Accurate Pneumonia Detection Using a Novel Multi-Scale Transformer Approach [1.2233362977312945]
  肺炎検出のための新しいマルチスケールトランスフォーマー手法を提案する。 本手法は肺の分節と分類を統一的な枠組みに統合する。 我々の手法は、"Kermany"データセットで93.75%の精度、"Cohen"データセットで96.04%の精度を実現している。
  論文  参考訳（メタデータ） (2024-08-08T08:06:42Z)
• Advancing Diagnostic Precision: Leveraging Machine Learning Techniques for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest X-Ray Images [0.0]
  新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。 救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
  論文  参考訳（メタデータ） (2023-10-09T18:38:49Z)
• COVID-19 Pneumonia and Influenza Pneumonia Detection Using Convolutional Neural Networks [0.0]
  我々は、新型コロナウイルス肺炎、インフルエンザウイルス肺炎、および正常なバイオマーカーの鑑別を支援するコンピュータソリューションを開発した。 その分類性能において、最高の性能モデルでは、検証精度は93%、F1スコアは0.95であった。
  論文  参考訳（メタデータ） (2021-12-14T01:59:25Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Development of a Multi-Task Learning V-Net for Pulmonary Lobar Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
  疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。 この影響は、肺葉を分節する機械学習手法の改善を動機づけた。 このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
  論文  参考訳（メタデータ） (2021-05-11T17:10:25Z)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)
• COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
  新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。 近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。 本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
  論文  参考訳（メタデータ） (2020-04-30T03:13:40Z)

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。