論文の概要: A Comprehensive Comparison of Deep Learning Architectures for COVID-19 Classification on CT & X-ray Imagery
- arxiv url: http://arxiv.org/abs/2605.20445v1
- Date: Tue, 19 May 2026 19:57:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-21 19:19:56.353413
- Title: A Comprehensive Comparison of Deep Learning Architectures for COVID-19 Classification on CT & X-ray Imagery
- Title（参考訳）: CTとX線画像を用いたCOVID-19分類のためのディープラーニングアーキテクチャの総合的比較
- Authors: Sarmad Khan, Arslan Shaukat, Umer Asgher, Basim Azam,
- Abstract要約: 我々は、新型コロナウイルスと健康な肺画像とを区別するコンピュータ支援診断(CAD)システムを設計するために、畳み込みニューラルネットワーク(CNN)ベースのモデルを提案する。
X線とCTの画像データセットでは、ResnetとVGGアーキテクチャーが新型コロナウイルスと通常の画像とを適切に区別する能力を示している。
- 参考スコア（独自算出の注目度）: 2.3332469289621787
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: COVID-19 was a significant challenge that led to the loss of numerous lives daily. Not only a certain country was involved in this outbreak, but even the world has suffered because of the coronavirus. Imaging techniques using computed tomography (CT) and X-rays of the lungs are the most useful tools for the COVID-19 or any other pandemic disease screening process. Technology today has revolutionized the world by using artificial intelligence to replace manual processes with automated machines, which enable the system to imitate the human brain by making wise decisions based on experience. Motivated by this, our work proposes to use convolutional neural networks (CNN) based models for designing a computer-aided diagnosis (CAD) system that differentiates between COVID-19 and healthy lung pictures. We used two different sets of X-ray images of the lungs in addition to two different sets of CT scans and the classification is done using a variety of networks that have been pre-trained such as VGG (16, 19), Densenet (121), Resnet (50, 50 V2, 101 V2), Mobile net (V2), Xception Inception (V3, Resnet V2), Efficient net (B0) and Nasnet (Large). On the X-ray and CT image datasets, Resnet and VGG architecture have shown the ability to properly differentiate COVID-19 from normal images, with an average accuracy of 95 to 98 percent respectively. Our acquired results on the classification datasets are competitive and superior to previously reported findings in the literature.
- Abstract（参考訳）: 新型コロナウイルスは深刻な課題であり、毎日多くの命が失われました。
新型コロナウイルスの感染拡大に一部の国が関与しただけでなく、世界も新型コロナウイルスの影響で苦しんでいる。
CT(Computed tomography)とX線による肺のイメージング技術は、新型コロナウイルスや他のパンデミック病スクリーニングプロセスにおいて最も有用なツールである。
今日のテクノロジーは、人工知能を使って手動のプロセスを自動機械に置き換えることで世界に革命をもたらした。
そこで本研究では、新型コロナウイルスと健康な肺画像とを区別したコンピュータ支援診断(CAD)システムを設計するために、畳み込みニューラルネットワーク(CNN)ベースのモデルを提案する。
VGG (16, 19), Densenet (121), Resnet (50, 50 V2, 101 V2), Mobile net (V2), Xception Inception (V3, Resnet V2), Efficient net (B0), Nasnet (Large) などの事前トレーニング済みのネットワークを用いて肺X線画像の分類を行った。
X線とCTの画像データセットでは、ResnetとVGGアーキテクチャーがそれぞれ95%から98%の精度で、新型コロナウイルスと通常の画像とを適切に区別する能力を示している。
得られた分類データセットは,従来報告されていた文献よりも競争力があり,優れた結果が得られた。
関連論文リスト
- Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - A Deep Learning Approach for the Detection of COVID-19 from Chest X-Ray
Images using Convolutional Neural Networks [0.0]
COVID-19(コロナウイルス)は、重症急性呼吸器症候群ウイルス(SARS-CoV-2)によるパンデミックである。
2019年12月中旬、中国武漢の湖北省で初感染が確認された。
全世界で7550万件以上が確認され、167万件以上が死亡している。
論文 参考訳（メタデータ） (2022-01-24T21:12:25Z) - Randomly Initialized Convolutional Neural Network for the Recognition of
COVID-19 using X-ray Images [0.0]
新型コロナウイルス(COVID-19)は世界的なパンデミックと宣言されている。
COVID-19を検出するための潜在的な解決策の1つは、ディープラーニング(DL)モデルを使用して胸部X線画像を分析することである。
本研究では,新型コロナウイルスの認識のための新しいCNNアーキテクチャを提案する。
提案したCNNモデルでは、それぞれ94%と99%の精度で、COVID-19データセットが強化されている。
論文 参考訳（メタデータ） (2021-05-17T23:40:37Z) - 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) - COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19
from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。
説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。
結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
論文 参考訳（メタデータ） (2021-01-19T03:04:09Z) - 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) - Fused Deep Convolutional Neural Network for Precision Diagnosis of
COVID-19 Using Chest X-Ray Images [0.0]
複数のニューラルネットワークを微調整することで、新型コロナウイルスと正常者の胸部X線スキャンを正確に分類するコンピュータ支援診断(CAD)を提案する。
k倍のクロスバリデーションとベージングアンサンブルを用いることで、99.7%の精度と100%の感度が得られる。
論文 参考訳（メタデータ） (2020-09-15T02:27:20Z) - Residual Attention U-Net for Automated Multi-Class Segmentation of
COVID-19 Chest CT Images [46.844349956057776]
新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。
新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。
複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-12T16:24:59Z) - Diagnosing COVID-19 Pneumonia from X-Ray and CT Images using Deep
Learning and Transfer Learning Algorithms [8.697183191483571]
新型コロナウイルス(2019年新規コロナウイルス)は、中国武漢で最初に発生し、前例のない効果で世界中に広がった。
本研究の目的は、複数のソースからX線とCTスキャン画像の包括的データセットを構築することである。
本手法では,X線およびCTスキャン画像データセットに対して,単純な畳み込みニューラルネットワーク(CNN)と修正済みのAlexNetモデルを適用する。
論文 参考訳（メタデータ） (2020-03-31T18:10:10Z) - Automated Methods for Detection and Classification Pneumonia based on
X-Ray Images Using Deep Learning [0.0]
Resnet50, MobileNet_V2, Inception_Resnet_V2の微調整版では, トレーニングや検証精度の向上率(精度の96%以上)で高い良好な性能を示した。
CNN、Xception、VGG16、VGG19、Inception_V3、DenseNet201とは異なり、性能は低い(84%以上の精度)。
論文 参考訳（メタデータ） (2020-03-31T16:48:27Z)
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。