論文の概要: COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19

• arxiv url: http://arxiv.org/abs/2005.01577v1
• Date: Thu, 30 Apr 2020 03:13:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 03:48:45.554899
• Title: COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19
• Title（参考訳）: COVID-DA:典型的な肺炎からCOVID-19への深いドメイン適応
• Authors: Yifan Zhang, Shuaicheng Niu, Zhen Qiu, Ying Wei, Peilin Zhao, Jianhua Yao, Junzhou Huang, Qingyao Wu, and Mingkui Tan
• Abstract要約: 新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。 近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。 本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
• 参考スコア（独自算出の注目度）: 92.4955073477381
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The outbreak of novel coronavirus disease 2019 (COVID-19) has already infected millions of people and is still rapidly spreading all over the globe. Most COVID-19 patients suffer from lung infection, so one important diagnostic method is to screen chest radiography images, e.g., X-Ray or CT images. However, such examinations are time-consuming and labor-intensive, leading to limited diagnostic efficiency. To solve this issue, AI-based technologies, such as deep learning, have been used recently as effective computer-aided means to improve diagnostic efficiency. However, one practical and critical difficulty is the limited availability of annotated COVID-19 data, due to the prohibitive annotation costs and urgent work of doctors to fight against the pandemic. This makes the learning of deep diagnosis models very challenging. To address this, motivated by that typical pneumonia has similar characteristics with COVID-19 and many pneumonia datasets are publicly available, we propose to conduct domain knowledge adaptation from typical pneumonia to COVID-19. There are two main challenges: 1) the discrepancy of data distributions between domains; 2) the task difference between the diagnosis of typical pneumonia and COVID-19. To address them, we propose a new deep domain adaptation method for COVID-19 diagnosis, namely COVID-DA. Specifically, we alleviate the domain discrepancy via feature adversarial adaptation and handle the task difference issue via a novel classifier separation scheme. In this way, COVID-DA is able to diagnose COVID-19 effectively with only a small number of COVID-19 annotations. Extensive experiments verify the effectiveness of COVID-DA and its great potential for real-world applications.
• Abstract（参考訳）: 2019年の新型コロナウイルス(covid-19)の流行は、すでに数百万人を感染させており、世界中で急速に拡大している。 ほとんどのCOVID-19患者は肺感染症を患っており、X線やCTなどの胸部X線画像のスクリーニングが重要な診断方法である。 しかし、このような検査は時間と労力がかかり、診断効率が制限される。 この問題を解決するために、ディープラーニングのようなAIベースの技術は、診断効率を改善する効果的なコンピュータ支援手段として最近使用されている。 しかし、1つの実用的で重要な難しさは、新型コロナウイルス(COVID-19)の注釈付きデータの利用が制限されていることだ。 これにより、深い診断モデルの学習は非常に困難になる。 これを解決するために, 典型的な肺炎はCOVID-19と類似した特徴を有し, 多くの肺炎データセットが公開されており, 典型的な肺炎からCOVID-19へのドメイン知識適応を行うことを提案する。 主な課題は2つあります 1) ドメイン間のデータの分散の相違 2)典型的な肺炎の診断とCOVID-19との課題の違い。 そこで本研究では,新たな深部ドメイン適応手法であるCOVID-DAを提案する。 具体的には,新しい分類器分離スキームを用いて,特徴の逆適応によるドメインの不一致を緩和し,タスクの差分問題に対処する。 このようにして、COVID-DAは、少数のCOVID-19アノテーションで、効果的に新型コロナウイルスを診断することができる。 大規模な実験は、COVID-DAの有効性と現実世界の応用に大きな可能性を検証している。

関連論文リスト

• Comparative Analysis of State-of-the-Art Deep Learning Models for Detecting COVID-19 Lung Infection from Chest X-Ray Images [3.829821362301428]
  胸部X線画像を用いた新型コロナウイルス感染を自動的に検出するための最新の最先端のDeep Convolutional Neural Networks(CNN)の適用性について検討した。 トレーニングしたモデルMobileNet,EfficentNet,InceptionV3はそれぞれ95%,95%,94%の分類平均精度を達成した。
  論文  参考訳（メタデータ） (2022-07-01T02:23:23Z)
• Challenges in COVID-19 Chest X-Ray Classification: Problematic Data or Ineffective Approaches? [0.0]
  胸部X線写真から新型コロナウイルスの感染を分類し、検出するための深層学習。 本研究では,データと機械学習の両方の観点から,信頼性の高いAIソリューションを作成する上で直面する課題について検討する。
  論文  参考訳（メタデータ） (2022-01-16T14:12:04Z)
• COVID-19 Pneumonia and Influenza Pneumonia Detection Using Convolutional Neural Networks [0.0]
  我々は、新型コロナウイルス肺炎、インフルエンザウイルス肺炎、および正常なバイオマーカーの鑑別を支援するコンピュータソリューションを開発した。 その分類性能において、最高の性能モデルでは、検証精度は93%、F1スコアは0.95であった。
  論文  参考訳（メタデータ） (2021-12-14T01:59:25Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Dual-Attention Residual Network for Automatic Diagnosis of COVID-19 [6.941255691176647]
  我々は,他の一般的な肺炎患者や正常者から,CT画像を用いてCOVID-19を自動同定する新たな残留ネットワークを提案する。 この方法では、他の2つのクラスと94.7%の精度、93.73%の感度、98.28%の特異性、95.26%のF1スコア、および受信機動作特性曲線(AUC)の0.99の領域を区別することができる。
  論文  参考訳（メタデータ） (2021-05-14T11:59:47Z)
• COVID-19 Detection from Chest X-ray Images using Imprinted Weights Approach [67.05664774727208]
  胸部X線撮影は、COVID-19の代替スクリーニング方法です。 コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。 この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
  論文  参考訳（メタデータ） (2021-05-04T19:01:40Z)
• COVIDX: Computer-aided diagnosis of Covid-19 and its severity prediction with raw digital chest X-ray images [0.6767885381740952]
  ウイルス病(covid-19)は重症急性呼吸器症候群(sars-cov-2)による感染症である。 胸部X線(CXR)画像は、新型コロナウイルスの検出と診断のための代替モダリティとして使用できる。 本稿では,CXR画像からの深部特徴マップを用いたCOVID-19診断・重症度自動予測システムを提案する。
  論文  参考訳（メタデータ） (2020-12-25T17:03:06Z)
• 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)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)
• 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)

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。