論文の概要: POCOVID-Net: Automatic Detection of COVID-19 From a New Lung Ultrasound Imaging Dataset (POCUS)

• arxiv url: http://arxiv.org/abs/2004.12084v4
• Date: Sun, 24 Jan 2021 13:37:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 21:44:43.181777
• Title: POCOVID-Net: Automatic Detection of COVID-19 From a New Lung Ultrasound Imaging Dataset (POCUS)
• Title（参考訳）: POCOVID-Net: 新しい肺超音波画像データセット(POCUS)からCOVID-19を自動的に検出する
• Authors: Jannis Born, Gabriel Br\"andle, Manuel Cossio, Marion Disdier, Julie Goulet, J\'er\'emie Roulin, Nina Wiedemann
• Abstract要約: 我々は、新型コロナウイルス検出をガイドするために、より顕著な医療用超音波画像撮影の役割を提唱する。 64本の動画から肺超音波(POCUS)データセット(654 COVID-19,277 細菌性肺炎,172 健康管理)を採取した。 この3つのクラスのデータセットでディープ畳み込みニューラルネットワーク(POCOVID-Net)をトレーニングし、89%の精度で、多数決で92%の精度でビデオに畳み込む。
• 参考スコア（独自算出の注目度）: 0.5330327625867509
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid development of COVID-19 into a global pandemic, there is an ever more urgent need for cheap, fast and reliable tools that can assist physicians in diagnosing COVID-19. Medical imaging such as CT can take a key role in complementing conventional diagnostic tools from molecular biology, and, using deep learning techniques, several automatic systems were demonstrated promising performances using CT or X-ray data. Here, we advocate a more prominent role of point-of-care ultrasound imaging to guide COVID-19 detection. Ultrasound is non-invasive and ubiquitous in medical facilities around the globe. Our contribution is threefold. First, we gather a lung ultrasound (POCUS) dataset consisting of 1103 images (654 COVID-19, 277 bacterial pneumonia and 172 healthy controls), sampled from 64 videos. This dataset was assembled from various online sources, processed specifically for deep learning models and is intended to serve as a starting point for an open-access initiative. Second, we train a deep convolutional neural network (POCOVID-Net) on this 3-class dataset and achieve an accuracy of 89% and, by a majority vote, a video accuracy of 92% . For detecting COVID-19 in particular, the model performs with a sensitivity of 0.96, a specificity of 0.79 and F1-score of 0.92 in a 5-fold cross validation. Third, we provide an open-access web service (POCOVIDScreen) that is available at: https://pocovidscreen.org. The website deploys the predictive model, allowing to perform predictions on ultrasound lung images. In addition, it grants medical staff the option to (bulk) upload their own screenings in order to contribute to the growing public database of pathological lung ultrasound images. Dataset and code are available from: https://github.com/jannisborn/covid19_pocus_ultrasound. NOTE: This preprint is superseded by our paper in Applied Sciences: https://doi.org/10.3390/app11020672
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)の世界的なパンデミックへの急速な発展に伴い、医師が新型コロナウイルス(COVID-19)を診断するのに役立つ、安価で高速で信頼性の高いツールがますます必要になる。 ctなどの医用イメージングは、分子生物学の従来の診断ツールを補完する重要な役割を担い、ディープラーニング技術を用いて、ctまたはx線データを用いた有望な性能を複数の自動システムで実証した。 我々は、新型コロナウイルスの検出を導くためのポイント・オブ・ケア超音波画像のより顕著な役割を提唱する。 超音波は世界中の医療施設で非侵襲的でユビキタスである。 私たちの貢献は3倍です。 まず,64本の動画から肺超音波(POCUS)データセット(654 COVID-19,277 肺炎,172 健康管理)を採取した。 このデータセットは、さまざまなオンラインソースから組み立てられ、特にディープラーニングモデル用に処理され、オープンアクセスイニシアチブの出発点となることを意図している。 第二に、この3つのクラスのデータセットでディープ畳み込みニューラルネットワーク(POCOVID-Net)をトレーニングし、89%の精度で、多数決で92%の精度で映像を再生する。 特にcovid-19の検出には、0.96、0.79、f1-score 0.92の感度で5倍のクロス検証を行う。 第3に、オープンアクセスWebサービス(POCOVIDScreen)を提供しています。 ウェブサイトは予測モデルを展開し、超音波肺画像で予測を行うことができる。 さらに、病的肺の超音波画像の公開データベースに貢献するために、医療スタッフに自身のスクリーニングをアップロードするオプションも与えている。 データセットとコードは、https://github.com/jannisborn/covid19_pocus_ultrasoundから入手できる。 NOTE: このプレプリントはApplied Sciencesの論文に取って代わられています。

関連論文リスト

• COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical Network to Monitor and Detect COVID-19 Infection from Point-of-Care Ultrasound Images [66.63200823918429]
  COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。 ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
  論文  参考訳（メタデータ） (2023-01-04T16:05:51Z)
• Localizing Scan Targets from Human Pose for Autonomous Lung Ultrasound Imaging [61.60067283680348]
  新型コロナウイルス(COVID-19)の世界的なパンデミックの出現に伴い、超音波画像を完全に自動化する必要がある。 本稿では,学習型コンピュータビジョン技術を取り入れた,視覚に基づくデータ駆動方式を提案する。 本手法は、プローブ位置決めのための15.52mm(9.47mm)、プローブ方位のための4.32(3.69deg)の精度を達成し、全走査目標に対する誤差閾値25mm以下で成功率を80%以上とした。
  論文  参考訳（メタデータ） (2022-12-15T14:34:12Z)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• 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)
• COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep Convolutional Neural Network Design for Detection of COVID-19 Patient Cases from Point-of-care Ultrasound Imaging [101.27276001592101]
  我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型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 USを紹介した。 実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。 リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
  論文  参考訳（メタデータ） (2021-08-05T16:47:33Z)
• Fusion of convolution neural network, support vector machine and Sobel filter for accurate detection of COVID-19 patients using X-ray images [14.311213877254348]
  新型コロナウイルス(COVID-19)は現在、世界中で流行する最も一般的な伝染病である。 新型コロナウイルスの感染拡大を防ぐために, 迅速診断のための臨床手順とともに, 自動診断システムを使用することが不可欠である。 本研究では, コンボリューションニューラルネットワーク(CNN), サポートベクターマシン(SVM), ソベルフィルタを融合させて, X線画像を用いたCOVID-19の検出を提案する。
  論文  参考訳（メタデータ） (2021-02-13T08:08:36Z)
• Accelerating COVID-19 Differential Diagnosis with Explainable Ultrasound Image Analysis [7.471424290647929]
  われわれは106本のビデオからなる新型コロナウイルスの肺超音波(US)データセットを公開している。 我々は、フレームベースの畳み込みニューラルネットワークを提案し、COVID-19 USビデオの感度0.98+0.04、特異度0.91+-08で正しく分類する。
  論文  参考訳（メタデータ） (2020-09-13T23:52:03Z)
• 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)
• 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)
• A Novel and Reliable Deep Learning Web-Based Tool to Detect COVID-19 Infection from Chest CT-Scan [0.0]
  コロナウイルスは すでに多くの国で 世界中に広がり 命を落としています この実験では、746人の参加者を含む最大規模の公共胸部CTスキャンデータベースが使用された。 Densely Connected Convolutional Network(DenseNet)とNu-SVMを併用して、新型コロナウイルスと健康管理を区別した。
  論文  参考訳（メタデータ） (2020-06-24T13:47:54Z)
• 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)

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。