論文の概要: Adaptive Feature Selection Guided Deep Forest for COVID-19
Classification with Chest CT
- arxiv url: http://arxiv.org/abs/2005.03264v1
- Date: Thu, 7 May 2020 06:00:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 23:06:14.041203
- Title: Adaptive Feature Selection Guided Deep Forest for COVID-19
Classification with Chest CT
- Title（参考訳）: 胸部CTによるCOVID-19分類のための森林の適応的特徴選択
- Authors: Liang Sun, Zhanhao Mo, Fuhua Yan, Liming Xia, Fei Shan, Zhongxiang
Ding, Wei Shao, Feng Shi, Huan Yuan, Huiting Jiang, Dijia Wu, Ying Wei,
Yaozong Gao, Wanchun Gao, He Sui, Daoqiang Zhang, Dinggang Shen
- Abstract要約: 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)。
- 参考スコア（独自算出の注目度）: 49.09507792800059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chest computed tomography (CT) becomes an effective tool to assist the
diagnosis of coronavirus disease-19 (COVID-19). Due to the outbreak of COVID-19
worldwide, using the computed-aided diagnosis technique for COVID-19
classification based on CT images could largely alleviate the burden of
clinicians. In this paper, we propose an Adaptive Feature Selection guided Deep
Forest (AFS-DF) for COVID-19 classification based on chest CT images.
Specifically, we first extract location-specific features from CT images. Then,
in order to capture the high-level representation of these features with the
relatively small-scale data, we leverage a deep forest model to learn
high-level representation of the features. Moreover, we propose a feature
selection method based on the trained deep forest model to reduce the
redundancy of features, where the feature selection could be adaptively
incorporated with the COVID-19 classification model. We evaluated our proposed
AFS-DF on COVID-19 dataset with 1495 patients of COVID-19 and 1027 patients of
community acquired pneumonia (CAP). The accuracy (ACC), sensitivity (SEN),
specificity (SPE) and AUC achieved by our method are 91.79%, 93.05%, 89.95% and
96.35%, respectively. Experimental results on the COVID-19 dataset suggest that
the proposed AFS-DF achieves superior performance in COVID-19 vs. CAP
classification, compared with 4 widely used machine learning methods.
- Abstract（参考訳）: 胸部CTは、新型コロナウイルス(COVID-19)の診断を支援する有効なツールとなる。
新型コロナウイルス(COVID-19)の世界的な流行により、CT画像に基づく新型コロナウイルスの分類のためのコンピュータ支援診断技術を用いることで、臨床医の負担が軽減される可能性がある。
本稿では,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(AFS-DF)を提案する。
具体的には,まずCT画像から位置特異的な特徴を抽出する。
そして,これらの特徴の高レベル表現を比較的小規模なデータで捉えるために,深い森林モデルを用いて特徴の高レベル表現を学習する。
さらに, 訓練された深層林モデルに基づく特徴選択手法を提案し, 特徴選択を新型コロナウイルス分類モデルに適応的に組み込むことが可能な特徴の冗長性を低減する。
提案するafs-dfは1495人のcovid-19患者と1027人のcommunity acquired pneumonia (cap)患者でcovid-19データセット上で評価した。
精度 (acc), 感度 (sen), 特異度 (spe) および auc はそれぞれ 91.79%, 93.05%, 89.95%, 96.35% であった。
実験結果から,提案するafs-dfは,広く使用されている4つの機械学習手法と比較して,covid-19とcapの分類において優れた性能を発揮することが示唆された。
関連論文リスト
- Auto-Lesion Segmentation with a Novel Intensity Dark Channel Prior for
COVID-19 Detection [0.24578723416255752]
本研究は,他の肺疾患との鑑別を目的としたCTベースの放射線治療フレームワークを開発した。
画像は、新型コロナウイルス(COVID-19)、非新型コロナウイルス(non-COVID-19)、または正常の3つのクラスに分類される。
最高の性能分類モデルであるResidual Neural Network(Resnet-50)は、平均精度、精度、リコール、F1スコアが98.8%、99%、98%、98%に達した。
論文 参考訳（メタデータ） (2023-09-22T06:09:48Z) - Classification of COVID-19 Patients with their Severity Level from Chest
CT Scans using Transfer Learning [3.667495151642095]
新型コロナウイルスの感染拡大を受け、病院のベッドなど医療機器の需要が高まっている。
これを念頭に置いて、私たちは新型コロナウイルスの検出と、胸部CTスキャンとDeep Learning事前訓練モデルを用いて重症度を評価する研究を共有しています。
私たちのモデルは、新型コロナウイルスとその重症度を検出するのに役立ちます。
論文 参考訳（メタデータ） (2022-05-27T06:22:09Z) - 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) - Classification of COVID-19 X-ray Images Using a Combination of Deep and
Handcrafted Features [0.0]
私たちは、X線胸部スキャンから抽出された深い畳み込みと手作業の機能を組み合わせて、健康で一般的な肺炎、およびCOVID-19患者を識別します。
SVM と CNN のハンドクラフト特徴に対して, 0.963 と 0.983 との組み合わせによる分類作業において 0.988 の精度を実現した。
論文 参考訳（メタデータ） (2021-01-19T21:09:46Z) - Explainable COVID-19 Detection Using Chest CT Scans and Deep Learning [0.07994291858620557]
本稿では,各深層建築に適したカスタムサイズ入力を用いた伝達学習戦略を提案する。
我々は2つのCT画像データセット、SARS-CoV-2 CTスキャンとCOVID19-CTで広範囲に実験を行った。
その結果,従来の研究と比較すると,モデルの性能は優れていた。
論文 参考訳（メタデータ） (2020-11-09T17:37:31Z) - 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) - Machine Learning Automatically Detects COVID-19 using Chest CTs in a
Large Multicenter Cohort [43.99203831722203]
16施設2096例の胸部CT検査を行った。
新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。
深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
論文 参考訳（メタデータ） (2020-06-09T00:40:35Z) - Residual Attention U-Net for Automated Multi-Class Segmentation of
COVID-19 Chest CT Images [46.844349956057776]
新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。
新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。
複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-12T16:24:59Z) - Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using
Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。
ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。
新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文 参考訳（メタデータ） (2020-03-26T15:49:32Z)
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。