Fugu-MT 論文翻訳(概要): Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia

論文の概要: Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia

arxiv url: http://arxiv.org/abs/2002.09334v1
Date: Fri, 21 Feb 2020 14:44:21 GMT
ステータス: 処理完了
システム内更新日: 2022-12-30 01:56:01.487911
Title: Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia
Title（参考訳）: 深層学習システムによるコロナウイルス2019年肺炎のスクリーニング
Authors: Xiaowei Xu, Xiangao Jiang, Chunlian Ma, Peng Du, Xukun Li, Shuangzhi Lv, Liang Yu, Yanfei Chen, Junwei Su, Guanjing Lang, Yongtao Li, Hong Zhao, Kaijin Xu, Lingxiang Ruan, Wei Wu
Abstract要約: 新型コロナウイルスのCT像は、インフルエンザウイルス性肺炎など他の種類のウイルス性肺炎と異なる独自の特徴を持つ。本研究は, 深層学習技術を用いて, インフルエンザとインフルエンザウイルスの鑑別を行う早期スクリーニングモデルを確立することを目的とした。
参考スコア（独自算出の注目度）: 10.225348237731787
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We found that the real time reverse transcription-polymerase chain reaction (RT-PCR) detection of viral RNA from sputum or nasopharyngeal swab has a relatively low positive rate in the early stage to determine COVID-19 (named by the World Health Organization). The manifestations of computed tomography (CT) imaging of COVID-19 had their own characteristics, which are different from other types of viral pneumonia, such as Influenza-A viral pneumonia. Therefore, clinical doctors call for another early diagnostic criteria for this new type of pneumonia as soon as possible.This study aimed to establish an early screening model to distinguish COVID-19 pneumonia from Influenza-A viral pneumonia and healthy cases with pulmonary CT images using deep learning techniques. The candidate infection regions were first segmented out using a 3-dimensional deep learning model from pulmonary CT image set. These separated images were then categorized into COVID-19, Influenza-A viral pneumonia and irrelevant to infection groups, together with the corresponding confidence scores using a location-attention classification model. Finally the infection type and total confidence score of this CT case were calculated with Noisy-or Bayesian function.The experiments result of benchmark dataset showed that the overall accuracy was 86.7 % from the perspective of CT cases as a whole.The deep learning models established in this study were effective for the early screening of COVID-19 patients and demonstrated to be a promising supplementary diagnostic method for frontline clinical doctors.
Abstract（参考訳）: ウイルスRNAのリアルタイム逆転写-ポリメラーゼ連鎖反応 (RT-PCR) は, 早期に比較的低い陽性率を示し, COVID-19(世界保健機関)を同定した。新型コロナウイルスのCT像は、インフルエンザウイルス性肺炎など他の種類のウイルス性肺炎と異なる独自の特徴を持つ。そこで, 臨床医は, 新型肺炎の早期診断基準をできるだけ早期に求めるとともに, 深層学習技術を用いて, インフルエンザとインフルエンザウイルス肺炎, および肺CT画像の健康な患者を鑑別する早期スクリーニングモデルを確立することを目的とした。肺CT画像から3次元深層学習モデルを用いて,感染候補領域を抽出した。これらの分離された画像は、新型コロナウイルス、インフルエンザウイルスAウイルス肺炎、および感染グループと無関係に分類された。最後に, このct症例の感染タイプと全信頼度を, 騒音・ベイズ関数を用いて算出し, ベンチマークデータセットの結果, 総合精度はct症例全体の86.7%であった。

関連論文リスト

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)
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)
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)
Pinball-OCSVM for early-stage COVID-19 diagnosis with limited posteroanterior chest X-ray images [3.4935179780034247]
本研究は、新型コロナウイルス陽性のCXRサンプルを限定した状態で動作可能な、ピンボール損失関数に基づく1クラスサポートベクターマシン(PB-OCSVM)を提案する。提案モデルの性能は従来のOCSVMや既存のディープラーニングモデルと比較し,実験結果から,提案モデルが最先端手法よりも優れていることが示された。
論文参考訳（メタデータ） (2020-10-16T02:34:15Z)
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)
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)
Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文参考訳（メタデータ） (2020-07-20T19:08:50Z)
Improving performance of CNN to predict likelihood of COVID-19 using chest X-ray images with preprocessing algorithms [0.3180570080674292]
本研究は,胸部X線画像のコンピュータ支援診断手法の開発の可能性を示した。 8,474個の胸部X線画像のデータセットを使用して、CNNベースのCADスキームをトレーニングし、テストする。検査結果は、3つのクラスを分類する際の総合的精度の94.0%、コビッドウイルスの感染者を検出する際の精度の98.6%を達成している。
論文参考訳（メタデータ） (2020-06-11T16:45:46Z)
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)
Deep Learning on Chest X-ray Images to Detect and Evaluate Pneumonia Cases at the Era of COVID-19 [14.693391992808685]
コロナウイルス病2019(COVID-19)は、インフルエンザに似た最初の症状を持つ感染症である。本稿では,胸部X線画像の自動解析のためのディープラーニング手法について検討する。深層学習モデルは肺炎、特にウイルス感染症を検出するために提案されている。
論文参考訳（メタデータ） (2020-04-05T21:30:54Z)
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。