Fugu-MT 論文翻訳(概要): COVID CT-Net: Predicting Covid-19 From Chest CT Images Using Attentional Convolutional Network

論文の概要: COVID CT-Net: Predicting Covid-19 From Chest CT Images Using Attentional Convolutional Network

arxiv url: http://arxiv.org/abs/2009.05096v1
Date: Thu, 10 Sep 2020 19:00:51 GMT
ステータス: 処理完了
システム内更新日: 2022-10-20 03:19:25.817487
Title: COVID CT-Net: Predicting Covid-19 From Chest CT Images Using Attentional Convolutional Network
Title（参考訳）: 注意型畳み込みネットワークを用いた胸部ct画像からのcovid-19予測
Authors: Shakib Yazdani, Shervin Minaee, Rahele Kafieh, Narges Saeedizadeh, Milan Sonka
Abstract要約: コロナウイルス(COVID-19)は世界中で200カ国以上で大流行している。本研究では,CT画像からCOVID-19を予測するためのディープラーニングフレームワークを開発した。我々は2000以上のCT画像のデータセットを用いてモデルを訓練し、その性能を様々な一般的な指標で報告した。
参考スコア（独自算出の注目度）: 5.174558376705871
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The novel corona-virus disease (COVID-19) pandemic has caused a major outbreak in more than 200 countries around the world, leading to a severe impact on the health and life of many people globally. As of Aug 25th of 2020, more than 20 million people are infected, and more than 800,000 death are reported. Computed Tomography (CT) images can be used as a as an alternative to the time-consuming "reverse transcription polymerase chain reaction (RT-PCR)" test, to detect COVID-19. In this work we developed a deep learning framework to predict COVID-19 from CT images. We propose to use an attentional convolution network, which can focus on the infected areas of chest, enabling it to perform a more accurate prediction. We trained our model on a dataset of more than 2000 CT images, and report its performance in terms of various popular metrics, such as sensitivity, specificity, area under the curve, and also precision-recall curve, and achieve very promising results. We also provide a visualization of the attention maps of the model for several test images, and show that our model is attending to the infected regions as intended. In addition to developing a machine learning modeling framework, we also provide the manual annotation of the potentionally infected regions of chest, with the help of a board-certified radiologist, and make that publicly available for other researchers.
Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックが世界中で200カ国以上で大流行し、世界中の多くの人々の健康と生活に深刻な影響を与えている。 2020年8月25日現在、2000万人以上が感染し、80万人以上の死者が報告されている。 CT画像は「RT-PCR(reverse transcription polymerase chain reaction)」テストの代替として利用でき、COVID-19を検出することができる。本研究では,CT画像からCOVID-19を予測するためのディープラーニングフレームワークを開発した。本稿では,胸部感染部位に焦点をあて,より正確な予測を行うことのできる注意的畳み込みネットワークを提案する。 2000以上のct画像のデータセット上でモデルをトレーニングし,感度,特異性,曲線下領域,精度リコール曲線など,さまざまな一般的な指標を用いてその性能を報告し,非常に有望な結果を得た。また,複数のテスト画像に対するモデルのアテンションマップの可視化を行い,本モデルが意図した感染域に到達していることを示す。機械学習モデリングフレームワークの開発に加えて,ボード認証放射線科医の助けを借りて,胸部の強力な感染領域のマニュアルアノテーションも提供し,他の研究者にも公開しています。

関連論文リスト

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)
COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep Convolutional Neural Network Design for Detection of COVID-19 Patient Cases from Point-of-care Ultrasound Imaging [101.27276001592101]
我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
論文参考訳（メタデータ） (2021-08-05T16:47:33Z)
An Attention Mechanism with Multiple Knowledge Sources for COVID-19 Detection from CT Images [1.6882040908691862]
本稿では,医師の判断に関連する有用な情報ソースを活用することで,いくつかの基準線の性能を向上させるための新しい戦略を提案する。学習中の注意機構を介して,学習ネットワークから抽出した感染領域と熱マップをグローバル画像に統合する。この手法は, 騒音に対する耐性を高めるだけでなく, 局所的な病変領域に焦点を絞ったネットワークを誘導する。
論文参考訳（メタデータ） (2020-09-23T09:05:24Z)
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)
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)
COVID TV-UNet: Segmenting COVID-19 Chest CT Images Using Connectivity Imposed U-Net [5.174558376705871]
コロナウイルス(COVID-19)は世界中で200カ国以上で大流行している。 CT画像はRT-PCR検査の代替として使用できる。新型コロナウイルスに感染したCT画像の胸部領域を検出するためのセグメンテーションフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-24T00:19:21Z)
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)
Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文参考訳（メタデータ） (2020-06-05T02:04:25Z)
Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文参考訳（メタデータ） (2020-04-22T07:30:56Z)
Deep-COVID: Predicting COVID-19 From Chest X-Ray Images Using Deep Transfer Learning [5.174558376705871]
新型コロナウイルス(COVID-19)のパンデミックは、世界中で150カ国以上で大流行している。新型コロナウイルスと戦う上で重要なステップの1つは、感染した患者を十分に早期に検出する能力だ。胸部X線画像から新型コロナウイルス患者を検出するための深層学習モデルの応用について検討した。
論文参考訳（メタデータ） (2020-04-20T15:09:14Z)
CoroNet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images [0.0]
CoroNetは、胸部X線画像からCOVID-19感染を自動的に検出するDeep Conceptional Neural Networkモデルである。提案したモデルは全体の89.6%の精度を達成し、新型コロナウイルス患者の精度とリコール率は93%と98.2%である。
論文参考訳（メタデータ） (2020-04-10T07:46:07Z)

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。