論文の概要: Deep-COVID: Predicting COVID-19 From Chest X-Ray Images Using Deep Transfer Learning

• arxiv url: http://arxiv.org/abs/2004.09363v3
• Date: Tue, 21 Jul 2020 14:10:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 18:58:01.587857
• Title: Deep-COVID: Predicting COVID-19 From Chest X-Ray Images Using Deep Transfer Learning
• Title（参考訳）: Deep-COVID: 深層移動学習を用いた胸部X線画像からのCOVID-19予測
• Authors: Shervin Minaee, Rahele Kafieh, Milan Sonka, Shakib Yazdani, Ghazaleh Jamalipour Soufi
• Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックは、世界中で150カ国以上で大流行している。 新型コロナウイルスと戦う上で重要なステップの1つは、感染した患者を十分に早期に検出する能力だ。 胸部X線画像から新型コロナウイルス患者を検出するための深層学習モデルの応用について検討した。
• 参考スコア（独自算出の注目度）: 5.174558376705871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The COVID-19 pandemic is causing a major outbreak in more than 150 countries around the world, having a severe impact on the health and life of many people globally. One of the crucial step in fighting COVID-19 is the ability to detect the infected patients early enough, and put them under special care. Detecting this disease from radiography and radiology images is perhaps one of the fastest ways to diagnose the patients. Some of the early studies showed specific abnormalities in the chest radiograms of patients infected with COVID-19. Inspired by earlier works, we study the application of deep learning models to detect COVID-19 patients from their chest radiography images. We first prepare a dataset of 5,000 Chest X-rays from the publicly available datasets. Images exhibiting COVID-19 disease presence were identified by board-certified radiologist. Transfer learning on a subset of 2,000 radiograms was used to train four popular convolutional neural networks, including ResNet18, ResNet50, SqueezeNet, and DenseNet-121, to identify COVID-19 disease in the analyzed chest X-ray images. We evaluated these models on the remaining 3,000 images, and most of these networks achieved a sensitivity rate of 98% ($\pm$ 3%), while having a specificity rate of around 90%. Besides sensitivity and specificity rates, we also present the receiver operating characteristic (ROC) curve, precision-recall curve, average prediction, and confusion matrix of each model. We also used a technique to generate heatmaps of lung regions potentially infected by COVID-19 and show that the generated heatmaps contain most of the infected areas annotated by our board certified radiologist. While the achieved performance is very encouraging, further analysis is required on a larger set of COVID-19 images, to have a more reliable estimation of accuracy rates. The dataset, model implementations (in PyTorch), and evaluations, are all made publicly available for research community at https://github.com/shervinmin/DeepCovid.git
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)は世界の150カ国以上で大流行を起こしており、世界中の多くの人々の健康や生活に深刻な影響を与えている。 新型コロナウイルスと戦う上で重要なステップの1つは、感染した患者を十分に早期に検出し、特別に治療する能力だ。 放射線画像や放射線画像からこの病気を検出することは、おそらく患者を診断する最速の方法の1つである。 初期の研究では、新型コロナウイルスに感染した患者の胸部X線写真に特定の異常が認められた。 これまでの研究に触発されて,深層学習モデルを用いて胸部x線画像から新型コロナウイルスの患者を検出する方法を検討した。 まず、公開データセットから5000個のChest X線のデータセットを作成します。 新型コロナウイルス(COVID-19)の感染を示す画像は、放射線検査官によって確認された。 resnet18, resnet50, squeezenet, densenet-121の4つの一般的な畳み込みニューラルネットワークを訓練し、解析された胸部x線画像から新型コロナウイルスの疾患を同定した。 残りの3000枚の画像からこれらのモデルを評価したところ、ほとんどのネットワークは感度が98%(\pm$ 3%)で、特異性は約90%であった。 感度と特異性率の他に,各モデルの受信者動作特性(roc)曲線,精度リコール曲線,平均予測,混乱行列も提示する。 我々はまた、新型コロナウイルスに感染する可能性のある肺領域のヒートマップを生成する技術を用いて、生成したヒートマップが、当社の認定放射線科医によって注釈された感染領域のほとんどを含むことを示す。 達成された性能は極めて高いが、より信頼性の高い精度推定を行うために、より大規模なcovid-19画像に対してさらなる分析が必要である。 データセット、モデル実装(PyTorch)、評価はすべて、https://github.com/shervinmin/DeepCovid.gitで研究コミュニティ向けに公開されている。

関連論文リスト

• COVIDx CXR-3: A Large-Scale, Open-Source Benchmark Dataset of Chest X-ray Images for Computer-Aided COVID-19 Diagnostics [69.55060769611916]
  RT-PCR検査の補助的スクリーニング戦略としての胸部X線撮影(CXR)の利用が増加している。 CXRイメージングに基づく新型コロナウイルススクリーニングのための多くの視覚知覚モデルが提案されている。 我々は、COVID-19コンピュータビジョン研究を支援するために、CXR画像の大規模なベンチマークデータセットであるCOVIDx CXR-3を紹介する。
  論文  参考訳（メタデータ） (2022-06-08T04:39:44Z)
• 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)
• 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)
• RANDGAN: Randomized Generative Adversarial Network for Detection of COVID-19 in Chest X-ray [0.0]
  新型コロナウイルス(COVID-19)が世界中に広がる中で、医療機関は患者を診断し、必要な頻度で検査する能力を失っている。 研究は、胸部X線でウイルス性細菌性肺炎から新型コロナウイルスを検出できる有望な結果を示している。 本研究では,ラベルやトレーニングデータを必要とせず,未知のクラス(COVID-19)の画像を検出するランダム化生成敵ネットワーク(RANDGAN)を提案する。
  論文  参考訳（メタデータ） (2020-10-06T15:58:09Z)
• COVID-19 Infection Map Generation and Detection from Chest X-Ray Images [19.578921765959333]
  そこで本研究では,CXR画像からの新型コロナウイルスの同時局在,重症度評価,検出のための新しい手法を提案する。 私たちは、2951のCOVID-19サンプルを含む119,316のCXRイメージで、最大のデータセットをコンパイルしました。 詳細な実験により、最先端のセグメンテーションネットワークは、F1スコア83.20%で新型コロナウイルス感染症の局所化を学べることが示されている。
  論文  参考訳（メタデータ） (2020-09-26T22:20:05Z)
• COVID CT-Net: Predicting Covid-19 From Chest CT Images Using Attentional Convolutional Network [5.174558376705871]
  コロナウイルス(COVID-19)は世界中で200カ国以上で大流行している。 本研究では,CT画像からCOVID-19を予測するためのディープラーニングフレームワークを開発した。 我々は2000以上のCT画像のデータセットを用いてモデルを訓練し、その性能を様々な一般的な指標で報告した。
  論文  参考訳（メタデータ） (2020-09-10T19:00:51Z)
• 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)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• CoroNet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images [0.0]
  CoroNetは、胸部X線画像からCOVID-19感染を自動的に検出するDeep Conceptional Neural Networkモデルである。 提案したモデルは全体の89.6%の精度を達成し、新型コロナウイルス患者の精度とリコール率は93%と98.2%である。
  論文  参考訳（メタデータ） (2020-04-10T07:46:07Z)
• DeepCOVIDExplainer: Explainable COVID-19 Diagnosis Based on Chest X-ray Images [1.6855835471222005]
  我々は、CXR画像から新型コロナウイルスの症状を自動的に検出するための説明可能なディープニューラルネットワーク(DNN)に基づく手法を提案する。 15,854例のCXR画像15,959例を使用し,正常例,肺炎例,COVID-19例を対象とした。 当社のアプローチでは、新型コロナウイルスを確実に91.6%、92.45%、96.12%の正の予測値(PPV)で識別することができる。
  論文  参考訳（メタデータ） (2020-04-09T15:03:58Z)
• 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。