論文の概要: COVID-19 Pneumonia Diagnosis Using Medical Images: Deep Learning-Based Transfer Learning Approach

• arxiv url: http://arxiv.org/abs/2503.12642v3
• Date: Sun, 13 Jul 2025 23:28:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 14:36:06.940851
• Title: COVID-19 Pneumonia Diagnosis Using Medical Images: Deep Learning-Based Transfer Learning Approach
• Title（参考訳）: 医療画像を用いたCOVID-19肺炎の診断 : 深層学習に基づくトランスファーラーニングアプローチ
• Authors: Anjali Dharmik,
• Abstract要約: SARS-CoV-2は高い透過性と進化する変異のため、世界的な健康上の問題となっている。 DenseNet121は、CTとX線画像を用いた新型コロナウイルスの診断において、最も優れたアーキテクチャとして登場した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: SARS-CoV-2, the causative agent of COVID-19, remains a global health concern due to its high transmissibility and evolving variants. Although vaccination efforts and therapeutic advancements have mitigated disease severity, emerging mutations continue to challenge diagnostics and containment strategies. As of mid-February 2025, global test positivity has risen to 11%, marking the highest level in over six months despite widespread immunization efforts. Newer variants demonstrate enhanced host cell binding, increasing both infectivity and diagnostic complexity. This study evaluates the effectiveness of deep transfer learning in delivering rapid, accurate, and mutation-resilient COVID-19 diagnosis from medical imaging, with a focus on scalability and accessibility. We developed an automated detection system using state-of-the-art CNNs, including VGG16, ResNet50, ConvNetXtTiny, MobileNet, NASNetMobile, and DenseNet121 among others, to detect COVID-19 from chest X-ray and CT images. Among all the models evaluated, DenseNet121 emerged as the best-performing architecture for COVID-19 diagnosis using CT and X-ray images. It achieved an impressive accuracy of 98%, with 96.9% precision, 98.9% recall, 97.9% F1-score and 99.8% AUC score, indicating a high degree of consistency and reliability in both detecting positive and negative cases. The confusion matrix showed minimal false positives and false negatives, underscoring the model's robustness in real-world diagnostic scenarios.
• Abstract（参考訳）: 新型コロナウイルスの原因薬であるSARS-CoV-2は、高い透過性と進化する変異のために、世界的な健康上の問題となっている。 ワクチン接種や治療の進歩は病気の重症度を軽減しているが、新しい突然変異は診断や封じ込め戦略に挑戦し続けている。 2025年2月半ば時点で、世界的な検査陽性率は11%に上昇し、ワクチン接種が盛んに行われているにもかかわらず、6カ月ぶりの高水準となった。 新しい変異体は宿主細胞の結合を増強し、感染性と診断の複雑さを増大させる。 本研究は,医療画像からの迅速かつ高精度かつ変異耐性のCOVID-19診断を実現するための深層移動学習の有効性を,スケーラビリティとアクセシビリティに焦点をあてて評価した。 VGG16, ResNet50, ConvNetXtTiny, MobileNet, NASNetMobile, DenseNet121などの最先端CNNを用いて, 胸部X線およびCT画像からCOVID-19を検出する自動検出システムを開発した。 評価されたすべてのモデルの中で、DenseNet121は、CTとX線画像を用いた新型コロナウイルスの診断における最も優れたアーキテクチャとして登場した。 98%の精度を達成し、96.9%の精度、98.9%のリコール、97.9%のF1スコア、99.8%のAUCスコアを記録した。 混乱行列は最小の偽陽性と偽陰性を示し、実世界の診断シナリオにおけるモデルの堅牢性を強調した。

関連論文リスト

• Evaluating Convolutional Neural Networks for COVID-19 classification in chest X-ray images [0.31457219084519006]
  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。
  論文  参考訳（メタデータ） (2024-12-26T22:05:30Z)
• COVID-19 Probability Prediction Using Machine Learning: An Infectious Approach [0.0]
  本研究は、新型コロナウイルス感染確率を予測するための高度な機械学習(ML)技術の適用について検討する。 我々はXGBoost, LGBM, AdaBoost, Logistic Regression, Decision Tree, RandomForest, CatBoost, KNN, Deep Neural Networks (DNN) などのMLモデルの有効性について厳密な調査を行った。 以上の結果から,Deep Neural Networks (DNN) が最高性能モデルとして登場し,精度が向上し,リコール指標が得られた。
  論文  参考訳（メタデータ） (2024-08-23T05:15:24Z)
• COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical Network to Monitor and Detect COVID-19 Infection from Point-of-Care Ultrasound Images [66.63200823918429]
  COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。 ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
  論文  参考訳（メタデータ） (2023-01-04T16:05:51Z)
• COVID-19 Disease Identification on Chest-CT images using CNN and VGG16 [0.0]
  新型コロナウイルス(COVID-19)は、2019年12月に中国武漢で発生したウイルスによる感染症である。 初期の医療機関は、新型コロナウイルス(COVID-19)を検出する適切な医療援助や薬が無かったため、混乱していた。 本研究では,胸部CT画像上でのCOVID-19自動同定のための畳み込みニューラルネットワーク(CNN)とVGG16に基づくモデルを提案する。
  論文  参考訳（メタデータ） (2022-07-09T07:20:15Z)
• Comparative Analysis of State-of-the-Art Deep Learning Models for Detecting COVID-19 Lung Infection from Chest X-Ray Images [3.829821362301428]
  胸部X線画像を用いた新型コロナウイルス感染を自動的に検出するための最新の最先端のDeep Convolutional Neural Networks(CNN)の適用性について検討した。 トレーニングしたモデルMobileNet,EfficentNet,InceptionV3はそれぞれ95%,95%,94%の分類平均精度を達成した。
  論文  参考訳（メタデータ） (2022-07-01T02:23:23Z)
• COVID-19 Detection using Transfer Learning with Convolutional Neural Network [0.0]
  新型コロナウイルス(COVID-19)は、2019年12月に中国湖北省武漢で初めて確認された致命的な感染症である。 本研究では,CT画像からCOVID-19感染を検出するためのトランスファーラーニング戦略(CNN)を提案する。 提案モデルでは,Transfer Learning Model Inception V3を用いた多層畳み込みニューラルネットワーク(CNN)が設計されている。
  論文  参考訳（メタデータ） (2022-06-17T05:30:14Z)
• 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)
• COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep Convolutional Neural Network Design for Detection of COVID-19 Patient Cases from Point-of-care Ultrasound Imaging [101.27276001592101]
  我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。 実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。 リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
  論文  参考訳（メタデータ） (2021-08-05T16:47:33Z)
• Dual-Attention Residual Network for Automatic Diagnosis of COVID-19 [6.941255691176647]
  我々は,他の一般的な肺炎患者や正常者から,CT画像を用いてCOVID-19を自動同定する新たな残留ネットワークを提案する。 この方法では、他の2つのクラスと94.7%の精度、93.73%の感度、98.28%の特異性、95.26%のF1スコア、および受信機動作特性曲線(AUC)の0.99の領域を区別することができる。
  論文  参考訳（メタデータ） (2021-05-14T11:59:47Z)
• 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)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• COVIDx-US -- An open-access benchmark dataset of ultrasound imaging data for AI-driven COVID-19 analytics [116.6248556979572]
  COVIDx-USは、新型コロナウイルス関連超音波画像データのオープンアクセスベンチマークデータセットです。 肺超音波93本と,SARS-CoV-2肺炎,非SARS-CoV-2肺炎,健康管理症例10,774本からなる。
  論文  参考訳（メタデータ） (2021-03-18T03:31:33Z)
• Deep Neural Networks for COVID-19 Detection and Diagnosis using Images and Acoustic-based Techniques: A Recent Review [0.36550217261503676]
  新型コロナウイルスは2020年3月から世界保健機関(WHO)によってパンデミックと宣言されている。 これは、非定型肺炎を発症する可能性のある呼吸性熱帯性ウイルス感染である。 専門家は、COVID-19ウイルスを持っている人の早期発見の重要性を強調しています。
  論文  参考訳（メタデータ） (2020-12-10T19:52:12Z)
• 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 New Screening Method for COVID-19 based on Ocular Feature Recognition by Machine Learning Tools [66.20818586629278]
  コロナウイルス感染症2019(COVID-19)は、数百万人に影響している。 一般的なCCDやCMOSカメラで撮影された視線領域の画像を分析する新しいスクリーニング手法は、新型コロナウイルスの急激なリスクスクリーニングを確実に実現する可能性がある。
  論文  参考訳（メタデータ） (2020-09-04T00:50:27Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
  胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。 特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。 我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
  論文  参考訳（メタデータ） (2020-05-06T09:56:51Z)
• Automatic Detection of Coronavirus Disease (COVID-19) in X-ray and CT Images: A Machine Learning-Based Approach [2.488407849738164]
  新型コロナウイルスは感染性が高く、臨床的に承認された抗ウイルス薬やワクチンが使用できない病原体である。 現在、カナダでは新型コロナウイルスの初診は推奨されていない。 本研究では,新型コロナウイルスの自動分類のためのディープラーニングに基づく特徴抽出フレームワークの比較を行った。
  論文  参考訳（メタデータ） (2020-04-22T15:34:45Z)
• 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)
• COVID-CAPS: A Capsule Network-based Framework for Identification of COVID-19 cases from X-ray Images [34.93885932923011]
  コロナウイルス(COVID-19)は、21世紀の2世紀末に、突然、そして間違いなく世界を変えた。 新型コロナウイルスの早期診断により、医療専門家や政府機関は移行の連鎖を破り、流行曲線をフラットにすることができる。 主に畳み込みニューラルネットワーク(CNN)をベースとしたディープニューラルネットワーク(DNN)ベースの診断ソリューション開発への関心が高まっている。 本稿では、小さなデータセットを処理可能な、Capsule Networks(COVID-CAPS)に基づく代替モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-06T14:20:47Z)
• Mapping the Landscape of Artificial Intelligence Applications against COVID-19 [59.30734371401316]
  世界保健機関(WHO)は、SARS-CoV-2ウイルスによる新型コロナウイルスの感染をパンデミックと宣言した。 我々は、機械学習と、より広範に、人工知能を用いた最近の研究の概要を、新型コロナウイルス危機の多くの側面に取り組むために提示する。
  論文  参考訳（メタデータ） (2020-03-25T12:30:33Z)
• Automatic Detection of Coronavirus Disease (COVID-19) Using X-ray Images and Deep Convolutional Neural Networks [0.0]
  中国発祥の新型コロナウイルス(COVID-19)は、他国に住む人々の間で急速に広まっている。 新型コロナウイルス(COVID-19)検査キットは毎日増えているため、病院では限られている。 5つの事前訓練された畳み込みニューラルネットワークに基づくモデルが、胸部X線写真を用いた新型コロナウイルス感染者の検出のために提案されている。
  論文  参考訳（メタデータ） (2020-03-24T13:50:23Z)

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。