論文の概要: Radiologist-Level COVID-19 Detection Using CT Scans with Detail-Oriented
Capsule Networks
- arxiv url: http://arxiv.org/abs/2004.07407v1
- Date: Thu, 16 Apr 2020 00:48:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 21:29:37.038672
- Title: Radiologist-Level COVID-19 Detection Using CT Scans with Detail-Oriented
Capsule Networks
- Title(参考訳): ディテール指向カプセルネットワークを用いたctスキャンを用いた放射線科医レベルのcovid-19検出
- Authors: Aryan Mobiny, Pietro Antonio Cicalese, Samira Zare, Pengyu Yuan,
Mohammadsajad Abavisani, Carol C. Wu, Jitesh Ahuja, Patricia M. de Groot,
Hien Van Nguyen
- Abstract要約: 我々はDetail-Oriented Capsule Networks (DECAPS) を提案する。
我々のネットワークは、分類精度を高めるためのいくつかのアーキテクチャの改善とCapsule Networksの強みを組み合わせる。
ROC曲線では,84.3%の精度,91.5%のリコール,96.1%の領域が達成され,最先端の手法よりも優れていた。
- 参考スコア(独自算出の注目度): 6.435530400792993
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiographic images offer an alternative method for the rapid screening and
monitoring of Coronavirus Disease 2019 (COVID-19) patients. This approach is
limited by the shortage of radiology experts who can provide a timely
interpretation of these images. Motivated by this challenge, our paper proposes
a novel learning architecture, called Detail-Oriented Capsule Networks
(DECAPS), for the automatic diagnosis of COVID-19 from Computed Tomography (CT)
scans. Our network combines the strength of Capsule Networks with several
architecture improvements meant to boost classification accuracies. First,
DECAPS uses an Inverted Dynamic Routing mechanism which increases model
stability by preventing the passage of information from non-descriptive
regions. Second, DECAPS employs a Peekaboo training procedure which uses a
two-stage patch crop and drop strategy to encourage the network to generate
activation maps for every target concept. The network then uses the activation
maps to focus on regions of interest and combines both coarse and fine-grained
representations of the data. Finally, we use a data augmentation method based
on conditional generative adversarial networks to deal with the issue of data
scarcity. Our model achieves 84.3% precision, 91.5% recall, and 96.1% area
under the ROC curve, significantly outperforming state-of-the-art methods. We
compare the performance of the DECAPS model with three experienced,
well-trained thoracic radiologists and show that the architecture significantly
outperforms them. While further studies on larger datasets are required to
confirm this finding, our results imply that architectures like DECAPS can be
used to assist radiologists in the CT scan mediated diagnosis of COVID-19.
- Abstract(参考訳): 放射線画像は、コロナウイルス病2019(COVID-19)患者の迅速スクリーニングとモニタリングのための代替手段を提供する。
このアプローチは、これらの画像をタイムリーに解釈できる放射線専門家の不足によって制限されている。
そこで本研究では,ctスキャンによるcovid-19自動診断のための,ディテール指向カプセルネットワーク(decaps)と呼ばれる新しい学習アーキテクチャを提案する。
我々のネットワークは、分類精度を高めるためのいくつかのアーキテクチャの改善とCapsule Networksの強みを組み合わせる。
第一に、DECAPSは非記述領域からの情報の通過を防止し、モデルの安定性を向上させる反転動的ルーティング機構を使用する。
第二に、DECAPSは2段階のパッチ作物とドロップ戦略を使用して、ターゲットのコンセプト毎にアクティベーションマップを生成するようにネットワークを奨励するPeekabooトレーニング手順を採用している。
ネットワークはアクティベーションマップを使用して、関心のある領域に集中し、データの粗い表現と細かい表現を組み合わせる。
最後に,データ不足問題に対処するために,条件付き生成逆数ネットワークに基づくデータ拡張手法を提案する。
このモデルは84.3%の精度、91.5%のリコール、96.1%のroc曲線下領域を達成した。
我々は, DECAPSモデルの性能を経験豊富な3人の胸部放射線科医と比較し, その構造がそれより優れていることを示す。
この発見を裏付けるためには、より大きなデータセットのさらなる研究が必要であるが、DreCAPSのようなアーキテクチャを用いて、CTスキャンによる新型コロナウイルスの診断を支援することが示唆されている。
関連論文リスト
- PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for
Cross-Dataset Medical Image Analysis [0.22485007639406518]
新型コロナウイルスの診断はPCR検査で効率的に行えるようになったが、このユースケースは、データの多様性を克服する方法論の必要性を実証するものだ。
本稿では,CTスキャンに最小限の変更を同時に導入しながら,イメージング技術によって引き起こされる差を解消することを目的とした,新しい生成手法を提案する。
論文 参考訳(メタデータ) (2022-08-19T15:49:47Z) - Evaluating Transferability for Covid 3D Localization Using CT SARS-CoV-2
segmentation models [8.026717228180935]
本稿では,CT画像中の肺炎感染領域のセマンティックセグメンテーションにおけるディープラーニングモデル転送可能性の有用性について検討する。
本研究は,特定のCTデータセットを用いて,トレーニング済みのU-Netアーキテクチャを用いて,異なるデータセットの画像に対するCovid-19副作用を特定することの有効性を検討する。
論文 参考訳(メタデータ) (2022-05-04T16:15:25Z) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳(メタデータ) (2021-11-16T15:03:42Z) - 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) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳(メタデータ) (2021-01-14T03:45:01Z) - CHS-Net: A Deep learning approach for hierarchical segmentation of
COVID-19 infected CT images [0.6091702876917281]
新型重症急性呼吸器症候群(SARS-CoV-2)のパンデミックが世界中で広がっています。
CT(Computerd Tomography)、X線などの医療画像は、臓器の構造に関する優れた詳細を提示することにより、患者の診断に重要な役割を果たします。
ディープラーニング技術は、新型コロナウイルスなどの疾患やウイルスの迅速な診断を支援するために、そのようなスキャンを分析する強みを示しています。
論文 参考訳(メタデータ) (2020-12-13T15:02:05Z) - 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) - Contrastive Cross-site Learning with Redesigned Net for COVID-19 CT
Classification [20.66003113364796]
新型コロナウイルス感染症(COVID-19)のパンデミックにより、世界の公衆衛生危機が数百カ国で拡大している。
画像解釈の面倒な作業量を削減するとともに、臨床診断を支援するために、CT画像を用いたCOVID-19識別自動化ツールの開発が望まれている。
本稿では、異種データセットを効果的に学習することで、正確な新型コロナウイルス識別を行うための新しい共同学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-15T11:09:04Z) - 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) - Automated Chest CT Image Segmentation of COVID-19 Lung Infection based
on 3D U-Net [0.0]
新型コロナウイルス(COVID-19)は世界中の何十億もの生命に影響を与え、公衆医療に大きな影響を与えている。
新型コロナウイルス感染地域のための革新的な自動セグメンテーションパイプラインを提案する。
本手法は,複数の前処理手法を実行することにより,一意およびランダムな画像パッチをオンザフライで生成する訓練に焦点をあてる。
論文 参考訳(メタデータ) (2020-06-24T17:29:26Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳(メタデータ) (2020-04-22T07:30:56Z)
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。