論文の概要: Automated diagnosis of lung diseases using vision transformer: a comparative study on chest x-ray classification

• arxiv url: http://arxiv.org/abs/2503.18973v1
• Date: Sat, 22 Mar 2025 04:35:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:50:57.614496
• Title: Automated diagnosis of lung diseases using vision transformer: a comparative study on chest x-ray classification
• Title（参考訳）: 視覚変換器を用いた肺疾患の自動診断 : 胸部X線分類の比較研究
• Authors: Muhammad Ahmad, Sardar Usman, Ildar Batyrshin, Muhammad Muzammil, K. Sajid, M. Hasnain, Muhammad Jalal, Grigori Sidorov,
• Abstract要約: 世界的には、肺関連疾患は毎年多くの生命を主張しており、早期かつ正確な診断が不可欠である。 本研究では,メンデレーデータから得られた3,475個の胸部X線画像からなるデータセットを用いた。 我々は、CNN、ResNet50、DenseNet、CheXNet、U-Netを含む5つの事前訓練されたディープラーニングモデルと、ViT(Vision Transformer)やShifted Window(Swin)といった2つのトランスファー学習アルゴリズムを適用し、これらの画像を分類した。
• 参考スコア（独自算出の注目度）: 4.000123010849776
• License:
• Abstract: Background: Lung disease is a significant health issue, particularly in children and elderly individuals. It often results from lung infections and is one of the leading causes of mortality in children. Globally, lung-related diseases claim many lives each year, making early and accurate diagnoses crucial. Radiographs are valuable tools for the diagnosis of such conditions. The most prevalent lung diseases, including pneumonia, asthma, allergies, chronic obstructive pulmonary disease (COPD), bronchitis, emphysema, and lung cancer, represent significant public health challenges. Early prediction of these conditions is critical, as it allows for the identification of risk factors and implementation of preventive measures to reduce the likelihood of disease onset Methods: In this study, we utilized a dataset comprising 3,475 chest X-ray images sourced from from Mendeley Data provided by Talukder, M. A. (2023) [14], categorized into three classes: normal, lung opacity, and pneumonia. We applied five pre-trained deep learning models, including CNN, ResNet50, DenseNet, CheXNet, and U-Net, as well as two transfer learning algorithms such as Vision Transformer (ViT) and Shifted Window (Swin) to classify these images. This approach aims to address diagnostic issues in lung abnormalities by reducing reliance on human intervention through automated classification systems. Our analysis was conducted in both binary and multiclass settings. Results: In the binary classification, we focused on distinguishing between normal and viral pneumonia cases, whereas in the multi-class classification, all three classes (normal, lung opacity, and viral pneumonia) were included. Our proposed methodology (ViT) achieved remarkable performance, with accuracy rates of 99% for binary classification and 95.25% for multiclass classification.
• Abstract（参考訳）: 背景: 肺疾患は特に子供や高齢者において重要な健康上の問題である。 しばしば肺感染症によって引き起こされ、子供の死亡の原因の1つとなっている。 世界的には、肺関連疾患は毎年多くの生命を主張しており、早期かつ正確な診断が不可欠である。 レントグラフはそのような疾患の診断に有用な道具である。 肺炎、喘息、アレルギー、慢性閉塞性肺疾患(COPD)、気管支炎、気腫、肺がんなど、最も多い肺疾患は、公衆衛生上の重大な課題である。 本研究では,Talukder, M. A. (2023) [14] が提供するメンデレーデータから得られた3,475個の胸部X線画像から得られたデータセットを,正常,肺不透明,肺炎の3つの分類に分類した。 我々は、CNN、ResNet50、DenseNet、CheXNet、U-Netを含む5つの事前訓練されたディープラーニングモデルと、ViT(Vision Transformer)やShifted Window(Swin)といった2つのトランスファー学習アルゴリズムを適用し、これらの画像を分類した。 本研究の目的は, 自動分類システムによる人的介入への依存を軽減し, 肺疾患の診断問題に対処することである。 分析はバイナリとマルチクラスの両方で行った。 結果: 2次分類では正常とウイルス性肺炎の鑑別に重点を置き, 多型分類では3つのクラス(正常, 肺不透明, ウイルス性肺炎)がそれぞれ含まれていた。 提案手法は,2進分類では99%,多進分類では95.25%の精度で優れた性能を示した。

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)
• Pneumonia Detection in Chest X-Ray Images : Handling Class Imbalance [0.0]
  世界中の人々が肺炎に罹患しているが、サハラ以南のアジアや南アジアでは死者が最も多い。 近年、有効なワクチンや説得力のある抗生物質の利用にかかわらず、肺炎の全体的な発生率と死亡率が上昇している。 肺炎の流行により、研究コミュニティは病気を正確にかつ迅速に検出し、診断し、分析するフレームワークを考案した。
  論文  参考訳（メタデータ） (2023-01-20T09:17:39Z)
• A Comparison Study of Deep CNN Architecture in Detecting of Pneumonia [0.0]
  細菌やウイルスによる呼吸器感染症である肺炎は、多くの人々に影響を及ぼす。 画像に基づいて植物病を分類し、その性能をテストするディープ畳み込みニューラルネットワーク。 DenseNet201は、非常に少ないパラメータと妥当な計算時間で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-12-30T14:37:32Z)
• Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
  胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。 我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。 このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
  論文  参考訳（メタデータ） (2022-08-29T04:34:15Z)
• Study on Transfer Learning Capabilities for Pneumonia Classification in Chest-X-Rays Image [11.076902397190961]
  本研究では,トランスファーラーニングパラダイムを用いて,確立されたニューラルネットワークアーキテクチャが肺炎分類課題に及ぼす影響について検討する。 総合的な比較をするために、よく知られた12のImageNet事前訓練モデルを微調整し、健康な人の胸部X線を識別するために使用した。 実験は、合計6330枚の画像を使用して、列車、検証、テストセットに分割された。
  論文  参考訳（メタデータ） (2021-10-06T14:00:18Z)
• 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)
• An ensemble-based approach by fine-tuning the deep transfer learning models to classify pneumonia from chest X-ray images [0.0]
  米国では、主に成人の25万人以上が肺炎と診断され、5万人が死亡している。 よく訓練された放射線科医の肺炎検出を見逃すことは珍しくなく、診断の正確性を改善する必要がある。 InceptionResNet、MobileNetV2、Xception、DenseNet201、ResNet152V2といった最先端のディープラーニングモデルを訓練、微調整して、肺炎を正確に分類しました。
  論文  参考訳（メタデータ） (2020-11-11T04:50:06Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
  肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。 コンピュータ支援診断システムは診断精度を向上させる可能性を示した。 本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
  論文  参考訳（メタデータ） (2020-05-28T10:54:34Z)
• 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)
• Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware Anomaly Detection [86.81773672627406]
  短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。 胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。 ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
  論文  参考訳（メタデータ） (2020-03-27T11:32:18Z)

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。