論文の概要: Learning Diagnosis of COVID-19 from a Single Radiological Image
- arxiv url: http://arxiv.org/abs/2006.12220v1
- Date: Sat, 6 Jun 2020 07:41:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 21:43:34.695172
- Title: Learning Diagnosis of COVID-19 from a Single Radiological Image
- Title(参考訳): 単一の放射線画像からcovid-19の診断を学ぶ
- Authors: Pengyi Zhang, Yunxin Zhong, Xiaoying Tang, Yunlin Deng, Xiaoqiong Li
- Abstract要約: 条件付き単一画像から学習可能な新しい条件生成モデルCoSinGANを提案する。
我々のCoSinGANは、新型コロナウイルス感染症の視覚所見の条件付き分布を捉え、さらに多様な高解像度の放射線画像の合成を可能にします。
CoSinGANから合成されたサンプルに基づいて訓練された深層分類とセグメンテーションネットワークは、新型コロナウイルス感染の顕著な検出精度を達成する。
- 参考スコア(独自算出の注目度): 1.9049294570026933
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Radiological image is currently adopted as the visual evidence for COVID-19
diagnosis in clinical. Using deep models to realize automated infection
measurement and COVID-19 diagnosis is important for faster examination based on
radiological imaging. Unfortunately, collecting large training data
systematically in the early stage is difficult. To address this problem, we
explore the feasibility of learning deep models for COVID-19 diagnosis from a
single radiological image by resorting to synthesizing diverse radiological
images. Specifically, we propose a novel conditional generative model, called
CoSinGAN, which can be learned from a single radiological image with a given
condition, i.e., the annotations of the lung and COVID-19 infection. Our
CoSinGAN is able to capture the conditional distribution of visual finds of
COVID-19 infection, and further synthesize diverse and high-resolution
radiological images that match the input conditions precisely. Both deep
classification and segmentation networks trained on synthesized samples from
CoSinGAN achieve notable detection accuracy of COVID-19 infection. Such results
are significantly better than the counterparts trained on the same extremely
small number of real samples (1 or 2 real samples) by using strong data
augmentation, and approximate to the counterparts trained on large dataset
(2846 real images). It confirms our method can significantly reduce the
performance gap between deep models trained on extremely small dataset and on
large dataset, and thus has the potential to realize learning COVID-19
diagnosis from few radiological images in the early stage of COVID-19 pandemic.
Our codes are made publicly available at
https://github.com/PengyiZhang/CoSinGAN.
- Abstract(参考訳): 放射線画像は現在、臨床におけるcovid-19診断の視覚的な証拠として採用されている。
深部モデルを用いた感染自動測定と新型コロナウイルス診断は,放射線画像による早期検査に重要である。
残念ながら、大規模なトレーニングデータを早期に体系的に収集することは困難である。
この問題に対処するため,我々は多種多様な放射線画像の合成を頼りに,単一の放射線画像から新型コロナウイルス診断の深層モデルを学ぶ可能性を検討する。
具体的には,cosinganと呼ばれる新しい条件生成モデルを提案する。cosinganは特定の条件を持つ1つの放射線画像,すなわち肺の注釈や新型コロナウイルスの感染から学べる。
当社のCoSinGANは、新型コロナウイルス感染症の視覚所見の条件分布を捉えることができ、さらに入力条件に正確に一致する多彩で高解像度の放射線画像も合成できる。
CoSinGANから合成されたサンプルに基づいて訓練された深層分類とセグメンテーションネットワークは、新型コロナウイルス感染の顕著な検出精度を達成する。
このような結果は、強いデータ拡張を用いることで、同じ極端に少数の実検体(1、2実検体)で訓練された実検体よりも著しく良く、大規模データセット(2846実検体)で訓練された実検体に近似する。
極めて小さなデータセットと大規模データセットでトレーニングされた深層モデルのパフォーマンスギャップを著しく低減し、新型コロナウイルスのパンデミックの初期段階において、少数の放射線画像から新型コロナウイルスの診断を学べる可能性を秘めている。
私たちのコードはhttps://github.com/pengyizhang/cosinganで公開されています。
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) - 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) - 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) - 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) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Few-shot Learning for CT Scan based COVID-19 Diagnosis [33.26861533338019]
コロナウイルス感染症2019(英語: Coronavirus disease 2019, COVID-19)は、188か国と領土で4000万人以上の人々が感染している国際保健緊急事態宣言である。
深層学習アプローチは、医療画像の自動スクリーニングの有効なツールとなり、また、新型コロナウイルスの診断としても検討されている。
そこで本研究では,少量のラベル付きCTスキャンが利用可能である場合にのみ有効に機能する領域適応型COVID-19 CT診断法を提案する。
論文 参考訳(メタデータ) (2021-02-01T02:37:49Z) - 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) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳(メタデータ) (2020-05-08T03:16:15Z) - 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)
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。