論文の概要: COVID-CAPS: A Capsule Network-based Framework for Identification of COVID-19 cases from X-ray Images

• arxiv url: http://arxiv.org/abs/2004.02696v2
• Date: Thu, 16 Apr 2020 22:05:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 06:17:59.810774
• Title: COVID-CAPS: A Capsule Network-based Framework for Identification of COVID-19 cases from X-ray Images
• Title（参考訳）: COVID-CAPS:X線画像から新型コロナウイルスの患者を識別するためのカプセルネットワークベースのフレームワーク
• Authors: Parnian Afshar, Shahin Heidarian, Farnoosh Naderkhani, Anastasia Oikonomou, Konstantinos N. Plataniotis, and Arash Mohammadi
• Abstract要約: コロナウイルス(COVID-19)は、21世紀の2世紀末に、突然、そして間違いなく世界を変えた。 新型コロナウイルスの早期診断により、医療専門家や政府機関は移行の連鎖を破り、流行曲線をフラットにすることができる。 主に畳み込みニューラルネットワーク(CNN)をベースとしたディープニューラルネットワーク(DNN)ベースの診断ソリューション開発への関心が高まっている。 本稿では、小さなデータセットを処理可能な、Capsule Networks(COVID-CAPS)に基づく代替モデリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 34.93885932923011
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Novel Coronavirus disease (COVID-19) has abruptly and undoubtedly changed the world as we know it at the end of the 2nd decade of the 21st century. COVID-19 is extremely contagious and quickly spreading globally making its early diagnosis of paramount importance. Early diagnosis of COVID-19 enables health care professionals and government authorities to break the chain of transition and flatten the epidemic curve. The common type of COVID-19 diagnosis test, however, requires specific equipment and has relatively low sensitivity. Computed tomography (CT) scans and X-ray images, on the other hand, reveal specific manifestations associated with this disease. Overlap with other lung infections makes human-centered diagnosis of COVID-19 challenging. Consequently, there has been an urgent surge of interest to develop Deep Neural Network (DNN)-based diagnosis solutions, mainly based on Convolutional Neural Networks (CNNs), to facilitate identification of positive COVID-19 cases. CNNs, however, are prone to lose spatial information between image instances and require large datasets. The paper presents an alternative modeling framework based on Capsule Networks, referred to as the COVID-CAPS, being capable of handling small datasets, which is of significant importance due to sudden and rapid emergence of COVID-19. Our results based on a dataset of X-ray images show that COVID-CAPS has advantage over previous CNN-based models. COVID-CAPS achieved an Accuracy of 95.7%, Sensitivity of 90%, Specificity of 95.8%, and Area Under the Curve (AUC) of 0.97, while having far less number of trainable parameters in comparison to its counterparts. To further improve diagnosis capabilities of the COVID-CAPS, pre-training based on a new dataset constructed from an external dataset of X-ray images. Pre-training with a dataset of similar nature further improved accuracy to 98.3% and specificity to 98.6%.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)は、21世紀の2世紀末に私たちが知っているように、突然、そして間違いなく世界を変えた。 新型コロナウイルス(COVID-19)は極めて感染性が高く、世界規模で急速に普及している。 新型コロナウイルス(covid-19)の早期診断は、医療専門家や政府当局が移行の連鎖を破り、流行曲線を平らにすることができる。 しかし、一般的なタイプの新型コロナウイルス診断検査は、特定の機器を必要とし、比較的感度が低い。 ct(ct)スキャンとx線画像から,この疾患に関連する特異な所見が明らかとなった。 他の肺感染症と重なると、covid-19のヒト中心診断が困難になる。 その結果、新型コロナウイルス感染者の特定を容易にするために、主に畳み込みニューラルネットワーク(CNN)に基づくディープニューラルネットワーク(DNN)ベースの診断ソリューションの開発が急激な関心を集めている。 しかし、CNNは画像インスタンス間の空間情報を失う傾向にあり、大きなデータセットを必要とする。 本稿では、新型コロナウイルスの急激な出現により重要となる小さなデータセットを処理できる、Capsule Networks(COVID-CAPS)に基づく代替モデリングフレームワークを提案する。 X線画像のデータセットに基づく結果から、COVID-CAPSは従来のCNNモデルよりも有利であることが示された。 COVID-CAPSの精度は95.7%、感度は90%、特異度は95.8%、エリア・アンダー・ザ・カーブ(AUC)は0.97だった。 X線画像の外部データセットから構築された新しいデータセットに基づく事前トレーニングにより、COVID-CAPSの診断能力をさらに向上する。 類似のデータセットによる事前トレーニングにより、精度は98.3%、特異性は98.6%向上した。

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)
• 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)
• Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19 Using Convolutional Neural Network [2.752817022620644]
  最近の研究で、新型コロナウイルス患者のX線写真には、新型コロナウイルスに関する情報が含まれていることが示されている。 胸部X線(CXR)は、高速な撮像時間、広範囲の可用性、低コスト、可搬性から注目されている。 本研究では、CXR画像から新型コロナウイルスの分類を改善するために、新しい多機能畳み込みニューラルネットワーク(CNN)アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2020-11-06T20:26:26Z)
• CT-CAPS: Feature Extraction-based Automated Framework for COVID-19 Disease Identification from Chest CT Scans using Capsule Networks [33.773060540360625]
  新型コロナウイルス(COVID-19)の世界的な流行は世界に大きな影響を与えており、第二次世界大戦以来最も困難な危機の1つとなっている。 新型コロナウイルス感染者の早期診断と隔離は、感染拡大を予防し、流行曲線をフラット化するための重要な手段と考えられている。 最近では、主に畳み込みニューラルネットワーク(CNN)に基づくディープラーニングベースのモデルが、有望な診断結果を示している。 本稿では,CT-CAPS(CT-CAPS)と呼ばれるCapsule Networkフレームワークを用いて,胸部CTスキャンの特徴を自動抽出する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-30T03:35:29Z)
• COVID-FACT: A Fully-Automated Capsule Network-based Framework for Identification of COVID-19 Cases from Chest CT scans [29.327290778950324]
  我々は「COVID-FACT」と呼ばれる新型コロナウイルス陽性症例の同定のための2段階完全自動化フレームワークを提案する。 COVID-FACTは感染したスライスを検出し、社内CTスキャンデータセットを使用して陽性のCOVID-19患者を特定する。 この実験に基づいて、COVID-FACTは90.82%の精度、94.55%の感度、86.04%の特異度、および0.98のエリアアンダー・ザ・カーブ(AUC)を達成できるが、監督やアノテーションははるかに少ない。
  論文  参考訳（メタデータ） (2020-10-30T03:30:22Z)
• COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
  我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。 また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
  論文  参考訳（メタデータ） (2020-09-08T15:49:55Z)
• 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)
• JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
  新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。 感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。 本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
  論文  参考訳（メタデータ） (2020-04-15T12:30:40Z)
• COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images [93.0013343535411]
  我々は,胸部X線(CXR)画像から新型コロナウイルスの症例を検出するための,深層畳み込みニューラルネットワーク設計であるCOVID-Netを紹介した。 著者たちの知る限りでは、COVID-NetはCXRイメージからCOVID-19を検出するための、最初のオープンソースネットワーク設計の1つである。 また,13,870人の患者を対象に,13,975個のCXR画像からなるオープンアクセスベンチマークデータセットであるCOVIDxも導入した。
  論文  参考訳（メタデータ） (2020-03-22T12:26:36Z)

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。