論文の概要: Large-Scale Screening of COVID-19 from Community Acquired Pneumonia using Infection Size-Aware Classification

• arxiv url: http://arxiv.org/abs/2003.09860v1
• Date: Sun, 22 Mar 2020 11:12:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 05:34:56.996642
• Title: Large-Scale Screening of COVID-19 from Community Acquired Pneumonia using Infection Size-Aware Classification
• Title（参考訳）: 感染規模別分類による地域肺炎からのCOVID-19の大規模スクリーニング
• Authors: Feng Shi, Liming Xia, Fei Shan, Dijia Wu, Ying Wei, Huan Yuan, Huiting Jiang, Yaozong Gao, He Sui, Dinggang Shen
• Abstract要約: 症例は新型コロナウイルス1658例,CAP1027例であった。 すべての画像は、感染症と肺野の両方の領域を取得するために前処理された。 iSARF (Size Aware Random Forest) 法が提案され, 感染範囲の異なる群に自動的に分類された。 実験結果から,提案手法の感度は0.907,特異性は0.833,精度は0.879であった。
• 参考スコア（独自算出の注目度）: 41.85283468679224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The worldwide spread of coronavirus disease (COVID-19) has become a threatening risk for global public health. It is of great importance to rapidly and accurately screen patients with COVID-19 from community acquired pneumonia (CAP). In this study, a total of 1658 patients with COVID-19 and 1027 patients of CAP underwent thin-section CT. All images were preprocessed to obtain the segmentations of both infections and lung fields, which were used to extract location-specific features. An infection Size Aware Random Forest method (iSARF) was proposed, in which subjects were automated categorized into groups with different ranges of infected lesion sizes, followed by random forests in each group for classification. Experimental results show that the proposed method yielded sensitivity of 0.907, specificity of 0.833, and accuracy of 0.879 under five-fold cross-validation. Large performance margins against comparison methods were achieved especially for the cases with infection size in the medium range, from 0.01% to 10%. The further inclusion of Radiomics features show slightly improvement. It is anticipated that our proposed framework could assist clinical decision making.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)の世界的な感染拡大は、公衆衛生の脅威となっている。 市中肺炎(CAP)からCOVID-19患者を迅速かつ正確にスクリーニングすることが重要である。 本研究は, COVID-19患者1658例, CAP患者1027例を対象に, 薄切片CTを施行した。 すべての画像は前処理され、感染と肺野の両方のセグメンテーションが得られ、位置特異的な特徴を抽出するのに使われた。 iSARF法は, 感染範囲の異なる群落に自動的に分類し, そして各群落のランダム林に分類した。 実験結果から,提案手法の感度は0.907,特異性は0.833,精度は0.879であった。 特に中規模で感染の規模が0.01%から10%であった場合,比較方法に対する大きな性能マージンが得られた。 Radiomicsの機能の追加は、わずかに改善されている。 提案手法は臨床意思決定を支援することが期待されている。

関連論文リスト

• 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-19 Infection Localization and Severity Grading from Chest X-ray Images [3.4546388019336143]
  コロナウイルス感染症2019(COVID-19)は、2019年12月に出現して以来、世界中で主要な課題となっている。 我々は、11,956のCOVID-19サンプルを含む33,920のCXRイメージで、最大のベンチマークデータセットを構築しました。 このアプローチは、99%以上の感度と特異性の両方で優れたCOVID-19検出性能を達成しました。
  論文  参考訳（メタデータ） (2021-03-14T18:06:06Z)
• Probabilistic combination of eigenlungs-based classifiers for COVID-19 diagnosis in chest CT images [6.1020196190084555]
  新型コロナウイルスの感染者数は1億人以上で、2400万人以上が死亡している。 胸部X線(CXR)や胸部CT(CCT)などの医療画像の使用は、優れたソリューションであることが証明されています。 肺炎パターンを同定するために,確率的支援ベクトルマシン(SVM)に基づくアンサンブル分類器を提案する。
  論文  参考訳（メタデータ） (2021-03-04T11:30:38Z)
• Detection and severity classification of COVID-19 in CT images using deep learning [3.8261286462270006]
  肺を分割し、ct画像からcovid-19感染を検出、局所化し、定量化するカスケードシステムを提案する。 提案するシステムは,様々な形状や大きさ,特に小感染領域の感染を確実に局在化することができる。 このシステムは、1,110人の被験者のデータセットを通じて、新型コロナウイルス感染の異なる重症度レベルを区別することができました。
  論文  参考訳（メタデータ） (2021-02-15T18:23:34Z)
• Deep learning to estimate the physical proportion of infected region of lung for COVID-19 pneumonia with CT image set [13.146276716689972]
  肺の感染部位の割合は、臨床医師が症例の重症度を判断するのを助ける視覚的証拠として用いられる。 感染地域を定量化した報告は、治療サイクル内で定期的にスキャンされた新型コロナウイルス患者の予後を予測するのに役立つ。
  論文  参考訳（メタデータ） (2020-06-09T02:38:40Z)
• 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)
• 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)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)
• Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
  本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。 ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。 新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
  論文  参考訳（メタデータ） (2020-03-26T15:49:32Z)

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。