論文の概要: Hypergraph Learning for Identification of COVID-19 with CT Imaging
- arxiv url: http://arxiv.org/abs/2005.04043v1
- Date: Thu, 7 May 2020 11:26:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 23:16:30.340718
- Title: Hypergraph Learning for Identification of COVID-19 with CT Imaging
- Title（参考訳）: CT画像を用いたハイパーグラフ学習によるCOVID-19の同定
- Authors: Donglin Di, Feng Shi, Fuhua Yan, Liming Xia, Zhanhao Mo, Zhongxiang
Ding, Fei Shan, Shengrui Li, Ying Wei, Ying Shao, Miaofei Han, Yaozong Gao,
He Sui, Yue Gao, Dinggang Shen
- Abstract要約: 新型コロナウイルス(COVID-19)は、2020年初めから世界最大規模の公衆衛生危機となっている。
早期スクリーニングの主な課題は、COVID-19とCAPグループの混乱したケースをモデル化する方法だ。
CT画像を用いて、CAPからCOVID-19を識別する不確実性頂点重み付きハイパーグラフ学習(UVHL)法を提案する。
- 参考スコア（独自算出の注目度）: 44.60104018704486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The coronavirus disease, named COVID-19, has become the largest global public
health crisis since it started in early 2020. CT imaging has been used as a
complementary tool to assist early screening, especially for the rapid
identification of COVID-19 cases from community acquired pneumonia (CAP) cases.
The main challenge in early screening is how to model the confusing cases in
the COVID-19 and CAP groups, with very similar clinical manifestations and
imaging features. To tackle this challenge, we propose an Uncertainty
Vertex-weighted Hypergraph Learning (UVHL) method to identify COVID-19 from CAP
using CT images. In particular, multiple types of features (including regional
features and radiomics features) are first extracted from CT image for each
case. Then, the relationship among different cases is formulated by a
hypergraph structure, with each case represented as a vertex in the hypergraph.
The uncertainty of each vertex is further computed with an uncertainty score
measurement and used as a weight in the hypergraph. Finally, a learning process
of the vertex-weighted hypergraph is used to predict whether a new testing case
belongs to COVID-19 or not. Experiments on a large multi-center pneumonia
dataset, consisting of 2,148 COVID-19 cases and 1,182 CAP cases from five
hospitals, are conducted to evaluate the performance of the proposed method.
Results demonstrate the effectiveness and robustness of our proposed method on
the identification of COVID-19 in comparison to state-of-the-art methods.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)は、2020年初めから世界最大規模の公衆衛生危機となっている。
早期検診を補助する補助具としてCT画像が用いられており、特に地域性肺炎(CAP)患者の迅速同定に用いられている。
早期スクリーニングの主な課題は、新型コロナウイルスとCAPグループの混乱したケースを、非常に似た臨床症状と画像の特徴でモデル化する方法である。
この課題に対処するために、CT画像を用いてCAPからCOVID-19を識別するUncertainty Vertex-weighted Hypergraph Learning (UVHL)法を提案する。
特に、複数のタイプの特徴(地域的特徴と放射線学的特徴を含む)が、各ケースのct画像から最初に抽出される。
そして、異なるケース間の関係をハイパーグラフ構造で定式化し、各ケースはハイパーグラフの頂点として表される。
各頂点の不確かさは不確かさスコア測定によってさらに計算され、ハイパーグラフの重みとして使用される。
最後に、頂点重み付きハイパーグラフの学習プロセスを使用して、新しいテストケースがcovid-19に属するかどうかを予測する。
新型コロナウイルス2,148例, CAP1,182例からなる大規模多施設肺炎データセットの実験を行い, 提案手法の性能評価を行った。
その結果,提案手法の有効性とロバスト性を示し,最新手法との比較を行った。
関連論文リスト
- Optimising Chest X-Rays for Image Analysis by Identifying and Removing
Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。
公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。
我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-22T13:57:04Z) - A Novel Implementation of Machine Learning for the Efficient,
Explainable Diagnosis of COVID-19 from Chest CT [0.0]
本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。
提案したモデルは0.927の総合精度と0.958の感度を得た。
論文 参考訳（メタデータ） (2022-06-15T18:35:22Z) - Learning from Pseudo Lesion: A Self-supervised Framework for COVID-19
Diagnosis [22.54540093657541]
コロナウイルス感染症2019(COVID-19)は、2019年12月の報告以来、世界中で急速に拡大している。
近年、ディープラーニングに基づくアプローチは、無数の画像認識タスクにおいて顕著なパフォーマンスを示している。
本報告では, 疑似病変の発生と回復に基づく自己指導型事前訓練法を提案する。
論文 参考訳（メタデータ） (2021-06-23T11:21:30Z) - 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) - PDCOVIDNet: A Parallel-Dilated Convolutional Neural Network Architecture
for Detecting COVID-19 from Chest X-Ray Images [1.4824891788575418]
新型コロナウイルスのパンデミックは、世界保健システムの繁栄を著しく損なわれ続けている。
胸部X線画像による放射線学的評価は,重要なスクリーニング技術の一つである。
胸部X線画像を用いた並列拡散畳み込みニューラルネットワークによる新型コロナウイルス検出システムを提案する。
論文 参考訳（メタデータ） (2020-07-29T12:28:16Z) - 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) - 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) - Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray
images using fine-tuned deep neural networks [4.294650528226683]
新型コロナウイルスは肺炎に似た呼吸器症候群である。
科学者、研究者、医療専門家は、肺感染症の特定によって、新型コロナウイルスの迅速かつ自動化された診断に貢献している。
本稿では,様々な最先端ディープラーニング手法における非バイアスの微調整学習(トランスファーラーニング)に対するランダムなオーバーサンプリングと重み付きクラス損失関数アプローチを提案する。
論文 参考訳（メタデータ） (2020-04-23T10:24:34Z) - 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) - 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。