Fugu-MT 論文翻訳(概要): CVR-Net: A deep convolutional neural network for coronavirus recognition from chest radiography images

論文の概要: CVR-Net: A deep convolutional neural network for coronavirus recognition from chest radiography images

arxiv url: http://arxiv.org/abs/2007.11993v1
Date: Tue, 21 Jul 2020 18:21:29 GMT
ステータス: 処理完了
システム内更新日: 2022-11-08 05:32:30.169551
Title: CVR-Net: A deep convolutional neural network for coronavirus recognition from chest radiography images
Title（参考訳）: CVR-Net:胸部X線画像からの新型コロナウイルス認識のための深層畳み込みニューラルネットワーク
Authors: Md. Kamrul Hasan, Md. Ashraful Alam, Md. Toufick E Elahi, Shidhartho Roy, Sifat Redwan Wahid
Abstract要約: 我々は,CTやX線画像からウイルスを自動認識する,CVR-Netと呼ばれる堅牢なCNNベースのネットワークを提案する。提案したCVR-Netを3つの異なるデータセットでトレーニングし、テストします。本モデルでは,タスク1からタスク5に対して,総F1スコアと精度が0.997と0.998,0.963と0.964,0.816と0.820,0.961と0.961,0.780と0.780となる。
参考スコア（独自算出の注目度）: 1.869097450593631
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The novel Coronavirus Disease 2019 (COVID-19) is a global pandemic disease spreading rapidly around the world. A robust and automatic early recognition of COVID-19, via auxiliary computer-aided diagnostic tools, is essential for disease cure and control. The chest radiography images, such as Computed Tomography (CT) and X-ray, and deep Convolutional Neural Networks (CNNs), can be a significant and useful material for designing such tools. However, designing such an automated tool is challenging as a massive number of manually annotated datasets are not publicly available yet, which is the core requirement of supervised learning systems. In this article, we propose a robust CNN-based network, called CVR-Net (Coronavirus Recognition Network), for the automatic recognition of the coronavirus from CT or X-ray images. The proposed end-to-end CVR-Net is a multi-scale-multi-encoder ensemble model, where we have aggregated the outputs from two different encoders and their different scales to obtain the final prediction probability. We train and test the proposed CVR-Net on three different datasets, where the images have collected from different open-source repositories. We compare our proposed CVR-Net with state-of-the-art methods, which are trained and tested on the same datasets. We split three datasets into five different tasks, where each task has a different number of classes, to evaluate the multi-tasking CVR-Net. Our model achieves an overall F1-score & accuracy of 0.997 & 0.998; 0.963 & 0.964; 0.816 & 0.820; 0.961 & 0.961; and 0.780 & 0.780, respectively, for task-1 to task-5. As the CVR-Net provides promising results on the small datasets, it can be an auspicious computer-aided diagnostic tool for the diagnosis of coronavirus to assist the clinical practitioners and radiologists. Our source codes and model are publicly available at https://github.com/kamruleee51/CVR-Net.
Abstract（参考訳）: 新型コロナウイルス(Coronavirus Disease 2019)は、世界各国で急速に流行する世界的なパンデミックである。コンピューター支援診断ツールによる新型コロナウイルスのロバストで自動的な早期認識は、疾患の治療と制御に不可欠である。 Computed Tomography(CT)やX線、Deep Convolutional Neural Networks(CNN)などの胸部X線撮影画像は、そのようなツールを設計するための重要かつ有用な材料となる。しかし、このような自動化ツールの設計は、多くの手作業による注釈付きデータセットがまだ公開されていないため、難しい。本稿では,CVR-Net(コロナウイルス認識ネットワーク)と呼ばれる,CTやX線画像からウイルスを自動認識するための堅牢なCNNネットワークを提案する。提案するエンド・ツー・エンドのCVR-Netはマルチスケールマルチエンコーダアンサンブルモデルであり、2つの異なるエンコーダとそれらの異なるスケールからの出力を集約し、最終的な予測確率を得る。提案したCVR-Netを3つの異なるデータセットでトレーニングし、テストします。提案するcvr-netと最先端のメソッドを比較し,同じデータセット上でトレーニングおよびテストを行う。我々は3つのデータセットを5つの異なるタスクに分割し、各タスクは異なる数のクラスを持ち、マルチタスクCVR-Netを評価する。本モデルでは,タスク1とタスク5では,総じて0.997 & 0.998; 0.963 & 0.964; 0.816 & 0.820; 0.961 & 0.961; 0.780 & 0.780となる。 CVR-Netは、小さなデータセットで有望な結果を提供するため、臨床医や放射線科医を支援するために、新型コロナウイルスの診断のためのコンピュータ支援診断ツールとして注目に値する。ソースコードとモデルはhttps://github.com/kamruleee51/CVR-Net.comで公開されています。

関連論文リスト

Can we Adopt Self-supervised Pretraining for Chest X-Rays? [10.529356372817386]
畳み込みニューラルネットワーク(CNN)は、胸部X線(CXR)画像における病理の同定に成功している。本研究では,ラベルのないImageNetやCXRデータセットを,さまざまなアルゴリズムと複数の設定で事前学習する機能について分析する。 i)ラベル付き画像ネットによる教師付きトレーニングは、打倒しにくい強い表現を学習し、(ii)ImageNet(1M画像)での自己教師付き事前トレーニングは、CXRデータセット(100K画像)での自己教師付き事前トレーニングに似たパフォーマンスを示す。
論文参考訳（メタデータ） (2022-11-23T13:06:59Z)
Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文参考訳（メタデータ） (2022-11-10T13:11:21Z)
Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文参考訳（メタデータ） (2022-08-17T09:07:45Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
A Deep Learning Approach for the Detection of COVID-19 from Chest X-Ray Images using Convolutional Neural Networks [0.0]
COVID-19(コロナウイルス)は、重症急性呼吸器症候群ウイルス(SARS-CoV-2)によるパンデミックである。 2019年12月中旬、中国武漢の湖北省で初感染が確認された。全世界で7550万件以上が確認され、167万件以上が死亡している。
論文参考訳（メタデータ） (2022-01-24T21:12:25Z)
Multi-Label Generalized Zero Shot Learning for the Classification of Disease in Chest Radiographs [0.7734726150561088]
胸部X線画像の複数の病変を同時に予測できるゼロショット学習ネットワークを提案する。ネットワークはエンドツーエンドのトレーニングが可能で、オフライン機能抽出器の独立した事前トレーニングは不要である。我々のネットワークは、リコール、精度、f1スコア、受信機動作特性曲線の領域において、2つの強いベースラインを上回ります。
論文参考訳（メタデータ） (2021-07-14T09:04:20Z)
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)
COVID-19 identification from volumetric chest CT scans using a progressively resized 3D-CNN incorporating segmentation, augmentation, and class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文参考訳（メタデータ） (2021-02-11T18:16:18Z)
Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文参考訳（メタデータ） (2021-01-14T03:45:01Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
A Novel and Reliable Deep Learning Web-Based Tool to Detect COVID-19 Infection from Chest CT-Scan [0.0]
コロナウイルスはすでに多くの国で世界中に広がり命を落としていますこの実験では、746人の参加者を含む最大規模の公共胸部CTスキャンデータベースが使用された。 Densely Connected Convolutional Network(DenseNet)とNu-SVMを併用して、新型コロナウイルスと健康管理を区別した。
論文参考訳（メタデータ） (2020-06-24T13:47:54Z)

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。