論文の概要: SODA: Detecting Covid-19 in Chest X-rays with Semi-supervised Open Set Domain Adaptation

• arxiv url: http://arxiv.org/abs/2005.11003v2
• Date: Wed, 5 Aug 2020 05:17:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 08:59:34.556529
• Title: SODA: Detecting Covid-19 in Chest X-rays with Semi-supervised Open Set Domain Adaptation
• Title（参考訳）: SODA:半教師付きオープンセットドメイン適応による胸部X線におけるCovid-19の検出
• Authors: Jieli Zhou, Baoyu Jing, Zeya Wang
• Abstract要約: 半教師付きオープン・セット・ドメイン・アダプティブ・ネットワーク(SODA)を提案する。 SODAは、新型コロナウイルスと一般的な肺炎を分離する最近の最先端モデルと比較して、主要な分類性能を達成している。 また, 胸部X線像において, SODAによりより良質な病理組織像が得られた。
• 参考スコア（独自算出の注目度）: 5.6070625920019825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the shortage of COVID-19 viral testing kits and the long waiting time, radiology imaging is used to complement the screening process and triage patients into different risk levels. Deep learning based methods have taken an active role in automatically detecting COVID-19 disease in chest x-ray images, as witnessed in many recent works in early 2020. Most of these works first train a Convolutional Neural Network (CNN) on an existing large-scale chest x-ray image dataset and then fine-tune it with a COVID-19 dataset at a much smaller scale. However, direct transfer across datasets from different domains may lead to poor performance for CNN due to two issues, the large domain shift present in the biomedical imaging datasets and the extremely small scale of the COVID-19 chest x-ray dataset. In an attempt to address these two important issues, we formulate the problem of COVID-19 chest x-ray image classification in a semi-supervised open set domain adaptation setting and propose a novel domain adaptation method, Semi-supervised Open set Domain Adversarial network (SODA). SODA is able to align the data distributions across different domains in a general domain space and also in a common subspace of source and target data. In our experiments, SODA achieves a leading classification performance compared with recent state-of-the-art models in separating COVID-19 with common pneumonia. We also present initial results showing that SODA can produce better pathology localizations in the chest x-rays.
• Abstract（参考訳）: 新型コロナウイルスのウイルス検査キットが不足し、待ち時間が長いため、放射線画像撮影はスクリーニングプロセスを補完し、患者を異なるリスクレベルにトリアージするために用いられる。 深層学習に基づく手法は、胸部x線画像における新型コロナウイルスの自動検出に重要な役割を果たしている。 これらの研究のほとんどは、まず既存の大規模胸部X線画像データセットで畳み込みニューラルネットワーク(CNN)をトレーニングし、さらにもっと小さなスケールでCOVID-19データセットで微調整する。 しかしながら、異なるドメインからのデータセット間の直接転送は、バイオメディカルイメージングデータセットに存在する大きなドメインシフトと、新型コロナウイルスの胸部X線データセットの極めて小さなスケールという2つの問題により、CNNのパフォーマンスが低下する可能性がある。 これら2つの重要な問題に対処するために、半教師付きオープンセットドメイン適応設定において、COVID-19胸部X線画像分類の問題を定式化し、新しいドメイン適応手法である半教師付きオープンセットドメイン適応ネットワーク(SODA)を提案する。 SODAは、一般的なドメイン空間とソースとターゲットデータの共通部分空間における異なるドメイン間のデータの分散を調整できる。 本実験では, 新型コロナウイルスとコモン肺炎の分離における最近の最先端モデルと比較して, SODAの分類性能は高い。 また, 胸部X線像において, SODAによりより良質な病理組織像が得られた。

関連論文リスト

• Cross-Dataset Adaptation for Instrument Classification in Cataract Surgery Videos [54.1843419649895]
  特定のデータセットでこのタスクをうまく実行する最先端モデルでは、別のデータセットでテストすると、パフォーマンスが低下する。 本稿では,Barlow Adaptorと呼ばれる新しいエンドツーエンドのUnsupervised Domain Adaptation (UDA)手法を提案する。 さらに,BFAL(Barlow Feature Alignment Loss)と呼ばれる,異なるドメインにまたがる特徴を整列させる新たな損失を導入する。
  論文  参考訳（メタデータ） (2023-07-31T18:14:18Z)
• 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)
• Randomly Initialized Convolutional Neural Network for the Recognition of COVID-19 using X-ray Images [0.0]
  新型コロナウイルス(COVID-19)は世界的なパンデミックと宣言されている。 COVID-19を検出するための潜在的な解決策の1つは、ディープラーニング(DL)モデルを使用して胸部X線画像を分析することである。 本研究では,新型コロナウイルスの認識のための新しいCNNアーキテクチャを提案する。 提案したCNNモデルでは、それぞれ94%と99%の精度で、COVID-19データセットが強化されている。
  論文  参考訳（メタデータ） (2021-05-17T23:40:37Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• RANDGAN: Randomized Generative Adversarial Network for Detection of COVID-19 in Chest X-ray [0.0]
  新型コロナウイルス(COVID-19)が世界中に広がる中で、医療機関は患者を診断し、必要な頻度で検査する能力を失っている。 研究は、胸部X線でウイルス性細菌性肺炎から新型コロナウイルスを検出できる有望な結果を示している。 本研究では,ラベルやトレーニングデータを必要とせず,未知のクラス(COVID-19)の画像を検出するランダム化生成敵ネットワーク(RANDGAN)を提案する。
  論文  参考訳（メタデータ） (2020-10-06T15:58:09Z)
• Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
  我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。 対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
  論文  参考訳（メタデータ） (2020-08-04T07:41:15Z)
• Multi-Task Driven Explainable Diagnosis of COVID-19 using Chest X-ray Images [61.24431480245932]
  COVID-19 Multi-Task Networkは、新型コロナウイルススクリーニングのためのエンドツーエンドネットワークである。 我々は,ChestXray-14,CheXpertおよび統合型COVID-19データセットから採取した9000個の前頭胸部X線写真から肺領域を手動で注釈した。 このデータベースは研究コミュニティに公開されます。
  論文  参考訳（メタデータ） (2020-08-03T12:52:23Z)
• 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)
• COVID-CXNet: Detecting COVID-19 in Frontal Chest X-ray Images using Deep Learning [6.098524160574895]
  ほとんどの患者において、胸部X線は、新型コロナウイルス(COVID-19)の肺炎の結果である凝固などの異常を含む。 大規模データセットの深部畳み込みニューラルネットワークを用いて,このタイプの肺炎の画像特徴を効率的に検出する研究を行った。
  論文  参考訳（メタデータ） (2020-06-16T21:31:02Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)
• Attention U-Net Based Adversarial Architectures for Chest X-ray Lung Segmentation [0.0]
  本稿では,診断パイプラインにおける基礎的,しかし困難な課題である肺分節に対する新しい深層学習手法を提案する。 本手法では, 逆批判モデルとともに, 最先端の完全畳み込みニューラルネットワークを用いる。 これは、患者プロファイルの異なる未確認データセットのCXRイメージによく当てはまり、JSRTデータセットの最終的なDSCRは97.5%に達した。
  論文  参考訳（メタデータ） (2020-03-23T14:45:48Z)

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。