論文の概要: Machine Learning Automatically Detects COVID-19 using Chest CTs in a Large Multicenter Cohort

• arxiv url: http://arxiv.org/abs/2006.04998v3
• Date: Sat, 10 Oct 2020 00:53:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 14:35:33.976212
• Title: Machine Learning Automatically Detects COVID-19 using Chest CTs in a Large Multicenter Cohort
• Title（参考訳）: 機械学習による大規模多施設コホートにおける胸部CTによるCOVID-19の自動検出
• Authors: Eduardo Jose Mortani Barbosa Jr., Bogdan Georgescu, Shikha Chaganti, Gorka Bastarrika Aleman, Jordi Broncano Cabrero, Guillaume Chabin, Thomas Flohr, Philippe Grenier, Sasa Grbic, Nakul Gupta, Fran\c{c}ois Mellot, Savvas Nicolaou, Thomas Re, Pina Sanelli, Alexander W. Sauter, Youngjin Yoo, Valentin Ziebandt, Dorin Comaniciu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 43.99203831722203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objectives: To investigate machine-learning classifiers and interpretable models using chest CT for detection of COVID-19 and differentiation from other pneumonias, ILD and normal CTs. Methods: Our retrospective multi-institutional study obtained 2096 chest CTs from 16 institutions (including 1077 COVID-19 patients). Training/testing cohorts included 927/100 COVID-19, 388/33 ILD, 189/33 other pneumonias, and 559/34 normal (no pathologies) CTs. A metric-based approach for classification of COVID-19 used interpretable features, relying on logistic regression and random forests. A deep learning-based classifier differentiated COVID-19 via 3D features extracted directly from CT attenuation and probability distribution of airspace opacities. Results: Most discriminative features of COVID-19 are percentage of airspace opacity and peripheral and basal predominant opacities, concordant with the typical characterization of COVID-19 in the literature. Unsupervised hierarchical clustering compares feature distribution across COVID-19 and control cohorts. The metrics-based classifier achieved AUC=0.83, sensitivity=0.74, and specificity=0.79 of versus respectively 0.93, 0.90, and 0.83 for the DL-based classifier. Most of ambiguity comes from non-COVID-19 pneumonia with manifestations that overlap with COVID-19, as well as mild COVID-19 cases. Non-COVID-19 classification performance is 91% for ILD, 64% for other pneumonias and 94% for no pathologies, which demonstrates the robustness of our method against different compositions of control groups. Conclusions: Our new method accurately discriminates COVID-19 from other types of pneumonia, ILD, and no pathologies CTs, using quantitative imaging features derived from chest CT, while balancing interpretability of results and classification performance, and therefore may be useful to facilitate diagnosis of COVID-19.
• Abstract（参考訳）: 目的: 病原体の検出および他の肺炎, ild, 正常ctとの鑑別のための胸部ctを用いた機械学習分類および解釈モデルの検討。 方法: 回顧的多施設共同研究により16施設(1077例を含む)から2096個の胸部ctが得られた。 927/100 COVID-19, 388/33 ILD, 189/33 肺炎, 559/34 正常(病理検査なし)CT。 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、ロジスティック回帰とランダム森林に依存して解釈可能な特徴を使用した。 深層学習に基づく分類器は,空間不透明度のct減衰と確率分布から直接抽出した3d特徴からcovid-19を区別した。 結果: 新型コロナウイルスの鑑別的特徴は, 空域不透明度と周辺部および基底部の優劣率であり, 文献上の典型的特徴と一致した。 教師なし階層クラスタリングは、COVID-19全体の特徴分布とコントロールコホートを比較します。 メトリクスベースの分類器は、dlベースの分類器でそれぞれ 0.93, 0.90, 0.83 に対して auc=0.83, sensitivity=0.74, specificity=0.79 を達成した。 曖昧さの大部分は、covid-19以外の肺炎によるものであり、covid-19と重なる症状や、軽度のcovid-19の症例から生じる。 非covid-19分類性能は, ildでは91%, 他の肺炎では64%, 病理では94%であり, 対照群の異なる組成に対するロバスト性を示す。 結論: 胸部CTから得られた定量的画像特徴を用いて, 他の種類の肺炎, ILD, 病状CTとの鑑別を正確に行うとともに, 結果の解釈性や分類性能のバランスをとっており, 診断が容易になる可能性がある。

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)
• COVID-Rate: An Automated Framework for Segmentation of COVID-19 Lesions from Chest CT Scans [29.266579630983358]
  パンデミック時代には、専門家の放射線学者による新型コロナウイルスの肺病変の視覚的評価と定量化が高価になり、エラーが生じる傾向にある。 専門医に注釈を付された82例のCT画像433点を含むオープンアクセス型COVID-19 CTセグメンテーションデータセットについて紹介する。 Deep Neural Network(DNN)ベースのフレームワークであるCOVID-Rateは、胸部CTスキャンからCOVID-19に関連する肺の異常を自律的に分離する。
  論文  参考訳（メタデータ） (2021-07-04T03:19:43Z)
• Automated lung segmentation from CT images of normal and COVID-19 pneumonia patients [0.0]
  本研究は, 正常およびCOVID-19患者のCT画像から肺分画の深層学習モデルの性能について検討した。 残存ニューラルネットワークの訓練には、胸部CT画像と対応する肺マスク1200例が使用された。
  論文  参考訳（メタデータ） (2021-04-05T17:46:12Z)
• FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
  正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。 FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。 FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2020-10-30T03:17:31Z)
• Automated triage of COVID-19 from various lung abnormalities using chest CT features [2.4956060473718407]
  入力胸部CTをスキャンし、新型コロナウイルスの患者をトリアージする、完全に自動化されたAIベースのシステムを提案する。 肺や感染症の統計、テクスチャ、形状、位置など、さまざまな特徴を生成して、機械学習ベースの分類器を訓練します。 2191例のCTデータセットを用いて本システムの評価を行い,90.8%の感度で85.4%の特異性,94.0%のROC-AUCで堅牢な解を示した。
  論文  参考訳（メタデータ） (2020-10-24T19:44:48Z)
• Comparative study of deep learning methods for the automatic segmentation of lung, lesion and lesion type in CT scans of COVID-19 patients [6.890747388531539]
  新型コロナウイルスの迅速かつ正確な定量化にディープラーニングを使うことを提案する研究が増えている。 主な課題は、新型コロナウイルス(COVID-19)感染者の胸部CT検査における肺と肺の病変の自動分離である。 オープンソースと社内開発の両方のアルゴリズムを含む,マルチセンタデータセットを用いた12のディープラーニングアルゴリズムを比較した。
  論文  参考訳（メタデータ） (2020-07-29T10:40:39Z)
• 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)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)
• 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。