Fugu-MT 論文翻訳(概要): Epanechnikov nonparametric kernel density estimation based feature-learning in respiratory disease chest X-ray images

論文の概要: Epanechnikov nonparametric kernel density estimation based feature-learning in respiratory disease chest X-ray images

arxiv url: http://arxiv.org/abs/2511.01098v1
Date: Sun, 02 Nov 2025 22:16:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-05 16:37:27.06504
Title: Epanechnikov nonparametric kernel density estimation based feature-learning in respiratory disease chest X-ray images
Title（参考訳）: エパネチニコフ非パラメトリック核密度推定に基づく呼吸疾患胸部X線像の特徴学習
Authors: Veronica Marsico, Antonio Quintero-Rincon, Hadj Batatia,
Abstract要約: この方法は、新型コロナウイルスのラジオグラフィーデータセットからランダムに選択された13808個の胸部X線でテストされた。精度は70.14%、感度は59.26%、特異性は74.18%で、呼吸器疾患の検出に適度な性能を示した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study presents a novel method for diagnosing respiratory diseases using image data. It combines Epanechnikov's non-parametric kernel density estimation (EKDE) with a bimodal logistic regression classifier in a statistical-model-based learning scheme. EKDE's flexibility in modeling data distributions without assuming specific shapes and its adaptability to pixel intensity variations make it valuable for extracting key features from medical images. The method was tested on 13808 randomly selected chest X-rays from the COVID-19 Radiography Dataset, achieved an accuracy of 70.14%, a sensitivity of 59.26%, and a specificity of 74.18%, demonstrating moderate performance in detecting respiratory disease while showing room for improvement in sensitivity. While clinical expertise remains essential for further refining the model, this study highlights the potential of EKDE-based approaches to enhance diagnostic accuracy and reliability in medical imaging.
Abstract（参考訳）: 本研究では,画像データを用いた呼吸器疾患の診断方法を提案する。エパネチニコフの非パラメトリックカーネル密度推定(EKDE)と統計モデルに基づく学習スキームにおける双モーダルロジスティック回帰分類器を組み合わせる。特定の形状を仮定せずにデータ分布をモデル化するEKDEの柔軟性と画素強度の変化への適応性は、医用画像から重要な特徴を抽出するのに有用である。この方法は、新型コロナウイルスのラジオグラフィーデータセットからランダムに選択された13808個の胸部X線でテストされ、精度は70.14%、感度は59.26%、特異性は74.18%に達し、呼吸病の検出に適度な性能を示した。本研究は, 診断精度と医用画像の信頼性を高めるためのEKDEベースのアプローチの可能性を明らかにするものである。

関連論文リスト

Diagnosis of Patients with Viral, Bacterial, and Non-Pneumonia Based on Chest X-Ray Images Using Convolutional Neural Networks [43.175400789778635]
肺炎を伴わない患者とウイルス性又は細菌性肺炎の患者に分類するための意思決定支援システムを提案する。これは、胸部X線(CXR)画像上で、事前訓練された畳み込みニューラルネットワーク(CNN)モデルを用いて転送学習(TL)を実装することで実現される。肺炎のない患者と、ウイルス性または細菌性肺炎の患者を区別できるモデルを構築するために、一連の実験のパフォーマンスを評価した。
論文参考訳（メタデータ） (2025-03-03T16:17:37Z)
AttCDCNet: Attention-enhanced Chest Disease Classification using X-Ray Images [0.0]
X線画像診断のための新しい検出モデルtextbfAttCDCNetを提案する。提案されたモデルは、新型コロナウイルスのラジオグラフィーデータセットでそれぞれ94.94%、95.14%、94.53%の精度、精度、リコールを達成した。
論文参考訳（メタデータ） (2024-10-20T16:08:20Z)
InfLocNet: Enhanced Lung Infection Localization and Disease Detection from Chest X-Ray Images Using Lightweight Deep Learning [0.5242869847419834]
本稿では,より軽量な深層学習に基づくセグメンテーション分類ネットワークを提案する。胸部X線画像を用いた肺感染症の検出と局在性の向上を目的としている。 IoUは93.59%, Dice similarity Coefficient (DSC)は97.61%であった。
論文参考訳（メタデータ） (2024-08-12T19:19:23Z)
Enhancing COVID-19 Diagnosis through Vision Transformer-Based Analysis of Chest X-ray Images [0.0]
この研究は、生の胸部X線画像を利用して、新型コロナウイルスの診断を自動化するための革新的な枠組みを提唱している。開発されたモデルはバイナリ分類性能で評価され、通常の症例と区別される。提案モデルでは,2進分類では99.92%,99.84%,第三進分類では97.95%,第四進分類では86.48%,第四進分類では86.81%であった。
論文参考訳（メタデータ） (2023-06-12T07:34:28Z)
Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文参考訳（メタデータ） (2023-03-02T07:47:07Z)
Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文参考訳（メタデータ） (2022-08-22T13:57:04Z)
Multi-Label Classification of Thoracic Diseases using Dense Convolutional Network on Chest Radiographs [0.0]
そこで本研究では,1回の検査で複数の病態を検出できる多ラベル疾患予測モデルを提案する。提案モデルでは,AUCスコアが0.896であった。
論文参考訳（メタデータ） (2022-02-08T00:43:57Z)
Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文参考訳（メタデータ） (2021-03-19T14:13:56Z)
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)
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。