Fugu-MT 論文翻訳(概要): Robust Screening of COVID-19 from Chest X-ray via Discriminative Cost-Sensitive Learning

論文の概要: Robust Screening of COVID-19 from Chest X-ray via Discriminative Cost-Sensitive Learning

arxiv url: http://arxiv.org/abs/2004.12592v2
Date: Thu, 21 May 2020 14:37:04 GMT
ステータス: 処理完了
システム内更新日: 2022-12-09 05:02:40.598899
Title: Robust Screening of COVID-19 from Chest X-ray via Discriminative Cost-Sensitive Learning
Title（参考訳）: 識別的コスト感応学習による胸部x線からのロバストスクリーニング
Authors: Tianyang Li, Zhongyi Han, Benzheng Wei, Yuanjie Zheng, Yanfei Hong, Jinyu Cong
Abstract要約: 胸部X線検査からCOVID-19のスクリーニングを臨床に必要とした場合,DCSL (distriminative cost-sensitive learning) を選択すべきである。細粒度分類とコスト感受性学習の両方の利点が組み合わさっている。まず、DCSLは、深い差別表現を学習する条件中心損失を開発する。次に、DCSLはスコアレベルのコスト感受性学習を確立し、新型コロナウイルスの例を他のクラスに誤分類するコストを適応的に増大させることができる。
参考スコア（独自算出の注目度）: 14.342161738164034
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper addresses the new problem of automated screening of coronavirus disease 2019 (COVID-19) based on chest X-rays, which is urgently demanded toward fast stopping the pandemic. However, robust and accurate screening of COVID-19 from chest X-rays is still a globally recognized challenge because of two bottlenecks: 1) imaging features of COVID-19 share some similarities with other pneumonia on chest X-rays, and 2) the misdiagnosis rate of COVID-19 is very high, and the misdiagnosis cost is expensive. While a few pioneering works have made much progress, they underestimate both crucial bottlenecks. In this paper, we report our solution, discriminative cost-sensitive learning (DCSL), which should be the choice if the clinical needs the assisted screening of COVID-19 from chest X-rays. DCSL combines both advantages from fine-grained classification and cost-sensitive learning. Firstly, DCSL develops a conditional center loss that learns deep discriminative representation. Secondly, DCSL establishes score-level cost-sensitive learning that can adaptively enlarge the cost of misclassifying COVID-19 examples into other classes. DCSL is so flexible that it can apply in any deep neural network. We collected a large-scale multi-class dataset comprised of 2,239 chest X-ray examples: 239 examples from confirmed COVID-19 cases, 1,000 examples with confirmed bacterial or viral pneumonia cases, and 1,000 examples of healthy people. Extensive experiments on the three-class classification show that our algorithm remarkably outperforms state-of-the-art algorithms. It achieves an accuracy of 97.01%, a precision of 97%, a sensitivity of 97.09%, and an F1-score of 96.98%. These results endow our algorithm as an efficient tool for the fast large-scale screening of COVID-19.
Abstract（参考訳）: 新型コロナウイルスの感染拡大を早めるために緊急要求される胸部x線に基づく2019年(covid-19)自動スクリーニングの新たな課題について述べる。しかし、胸部X線による新型コロナウイルスの検査は、2つのボトルネックがあるため、世界中で認識されている課題である。 1) 胸部X線上の他の肺炎と類似点のある新型コロナウイルスの画像特徴 2) 新型コロナウイルスの誤診率は非常に高く, 診断コストも高い。先駆的な作品もいくつかあるが、どちらも重大なボトルネックを過小評価している。本報告では, 臨床が胸部X線検査からCOVID-19のスクリーニングを補助する必要がある場合は, 差別的コスト感受性学習(DCSL)を選択すべきである。 DCSLは、きめ細かい分類とコスト感受性学習の両方の利点を兼ね備えている。まず、DCSLは、深い識別表現を学習する条件中心損失を開発する。次に、dcslはスコアレベルのコストセンシティブな学習を確立し、covid-19の例を他のクラスに誤分類するコストを適応的に拡大する。 DCSLは非常に柔軟で、どんなディープニューラルネットワークにも適用できます。我々は,2,239例の胸部X線検査例,239例の新型コロナウイルス感染例,1,000例の細菌またはウイルス性肺炎例,1,000例の健常人を対象に,大規模なマルチクラスデータセットを収集した。 3-class分類に関する広範囲な実験により,本アルゴリズムが最先端アルゴリズムを著しく上回っていることが示された。精度は97.01%、精度は97%、感度は97.09%、f1-scoreは96.98%である。これらの結果から、我々のアルゴリズムは、COVID-19の高速な大規模スクリーニングのための効率的なツールとなった。

関連論文リスト

A novel framework based on deep learning and ANOVA feature selection method for diagnosis of COVID-19 cases from chest X-ray Images [0.0]
新型コロナウイルスは武漢で最初に確認され、急速に世界中に広がった。最もアクセスしやすい方法はRT-PCRである。 RT-PCRと比較すると,胸部CTと胸部X線像が優れた結果を示した。 DenseNet169はX線画像から特徴を抽出するために使用された。
論文参考訳（メタデータ） (2021-09-30T16:10:31Z)
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-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)
CovidGAN: Data Augmentation Using Auxiliary Classifier GAN for Improved Covid-19 Detection [6.123089440692208]
ウイルス(covid-19)は重症急性呼吸器症候群(sarscov-2)によるウイルス性疾患である。初期の結果は、covid-19を示唆する患者の胸部x線に異常が存在することを示唆している。 convolutional neural networks(cnns)のようなディープラーニングシステムは、かなりの量のトレーニングデータを必要とする。
論文参考訳（メタデータ） (2021-03-08T21:53:29Z)
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)
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)
Deep Learning for Screening COVID-19 using Chest X-Ray Images [0.2062593640149623]
深層ニューラルネットワークを学習するためのドメイン拡張伝達学習(DETL)という新しい概念を提案する。我々は、トレーニング済みの深部畳み込みニューラルネットワークを持つDETLを、関連する大きな胸部X線データセットに採用する。胸部X線による新型コロナウイルスの診断の可能性を評価するため、5倍のクロスバリデーションを行う。
論文参考訳（メタデータ） (2020-04-22T11:41:50Z)
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)
Towards an Effective and Efficient Deep Learning Model for COVID-19 Patterns Detection in X-ray Images [2.21653002719733]
本研究の主な目的は、胸部X線検査における新型コロナウイルススクリーニングの問題に対して、正確かつ効率的な方法を提案することである。 13,569枚のX線画像のデータセットを、健康な非新型コロナウイルス患者と新型コロナウイルス患者に分けて、提案したアプローチを訓練する。結果: 提案手法により, 全体の精度93.9%, COVID-19, 感度96.8%, 正の予測100%の高品質モデルが得られた。
論文参考訳（メタデータ） (2020-04-12T23:26:56Z)
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)

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。