論文の概要: Accelerating COVID-19 Differential Diagnosis with Explainable Ultrasound
Image Analysis
- arxiv url: http://arxiv.org/abs/2009.06116v1
- Date: Sun, 13 Sep 2020 23:52:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 03:00:34.308817
- Title: Accelerating COVID-19 Differential Diagnosis with Explainable Ultrasound
Image Analysis
- Title（参考訳）: 説明可能な超音波画像解析によるCOVID-19の鑑別診断の高速化
- Authors: Jannis Born, Nina Wiedemann, Gabriel Br\"andle, Charlotte Buhre,
Bastian Rieck, Karsten Borgwardt
- Abstract要約: われわれは106本のビデオからなる新型コロナウイルスの肺超音波(US)データセットを公開している。
我々は、フレームベースの畳み込みニューラルネットワークを提案し、COVID-19 USビデオの感度0.98+0.04、特異度0.91+-08で正しく分類する。
- 参考スコア（独自算出の注目度）: 7.471424290647929
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Controlling the COVID-19 pandemic largely hinges upon the existence of fast,
safe, and highly-available diagnostic tools. Ultrasound, in contrast to CT or
X-Ray, has many practical advantages and can serve as a globally-applicable
first-line examination technique. We provide the largest publicly available
lung ultrasound (US) dataset for COVID-19 consisting of 106 videos from three
classes (COVID-19, bacterial pneumonia, and healthy controls); curated and
approved by medical experts. On this dataset, we perform an in-depth study of
the value of deep learning methods for differential diagnosis of COVID-19. We
propose a frame-based convolutional neural network that correctly classifies
COVID-19 US videos with a sensitivity of 0.98+-0.04 and a specificity of
0.91+-08 (frame-based sensitivity 0.93+-0.05, specificity 0.87+-0.07). We
further employ class activation maps for the spatio-temporal localization of
pulmonary biomarkers, which we subsequently validate for human-in-the-loop
scenarios in a blindfolded study with medical experts. Aiming for scalability
and robustness, we perform ablation studies comparing mobile-friendly, frame-
and video-based architectures and show reliability of the best model by
aleatoric and epistemic uncertainty estimates. We hope to pave the road for a
community effort toward an accessible, efficient and interpretable screening
method and we have started to work on a clinical validation of the proposed
method. Data and code are publicly available.
- Abstract（参考訳）: 新型コロナウイルスのパンデミックのコントロールは、迅速で安全で高可用性の診断ツールの存在に大きく影響している。
超音波は、CTやX線とは対照的に、多くの実用的な利点があり、世界的に適用可能な第一線検査技術として機能する。
3つのクラス (COVID-19, 細菌性肺炎, 健康管理) から106本のビデオからなり, 医療専門家がキュレートし, 承認した。
本データセットでは,COVID-19の鑑別診断のための深層学習手法の価値を詳細に検討する。
我々は、フレームベースの畳み込みニューラルネットワークを提案し、米国内のビデオの感度0.98+-0.04、特異度0.91+-08(フレームベースの感度0.93+-0.05、特異度0.87+-0.07)を正しく分類する。
さらに,肺生マーカーの時空間的局在にクラスアクティベーションマップを用い,その後,医療専門家による目隠し研究において,ループ内シナリオの検証を行った。
スケーラビリティとロバスト性を目的として,モバイルフレンドリーなフレームおよびビデオベースアーキテクチャを比較してアブレーション研究を行い,アレタリックおよびエピステミック不確実性推定による最良のモデルの信頼性を示す。
我々は,アクセス可能で効率的かつ解釈可能なスクリーニング手法へのコミュニティの取り組みの道を開いたいと考えており,提案手法の臨床的検証に取り組んだ。
データとコードは公開されている。
関連論文リスト
- Advancing Diagnostic Precision: Leveraging Machine Learning Techniques
for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest
X-Ray Images [0.0]
新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。
救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
論文 参考訳（メタデータ） (2023-10-09T18:38:49Z) - Comparative Analysis of State-of-the-Art Deep Learning Models for
Detecting COVID-19 Lung Infection from Chest X-Ray Images [3.829821362301428]
胸部X線画像を用いた新型コロナウイルス感染を自動的に検出するための最新の最先端のDeep Convolutional Neural Networks(CNN)の適用性について検討した。
トレーニングしたモデルMobileNet,EfficentNet,InceptionV3はそれぞれ95%,95%,94%の分類平均精度を達成した。
論文 参考訳（メタデータ） (2022-07-01T02:23:23Z) - A Novel Implementation of Machine Learning for the Efficient,
Explainable Diagnosis of COVID-19 from Chest CT [0.0]
本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。
提案したモデルは0.927の総合精度と0.958の感度を得た。
論文 参考訳（メタデータ） (2022-06-15T18:35:22Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - 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) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Exploration of Interpretability Techniques for Deep COVID-19
Classification using Chest X-ray Images [10.01138352319106]
5種類のディープラーニングモデル(ResNet18、ResNet34、InceptionV3、InceptionResNetV2、DenseNet161)とそれらのEnsembleは、Chest X-Ray画像を用いて、新型コロナウイルス、肺炎、健康な被験者を分類するために使用されている。
新型コロナウイルスの分類における平均的なMicro-F1スコアは0.66から0.875の範囲で、ネットワークモデルのアンサンブルは0.89である。
論文 参考訳（メタデータ） (2020-06-03T22:55:53Z) - 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) - COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。
近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。
本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
論文 参考訳（メタデータ） (2020-04-30T03:13:40Z) - Towards an Effective and Efficient Deep Learning Model for COVID-19
Patterns Detection in X-ray Images [2.21653002719733]
本研究の主な目的は、胸部X線検査における新型コロナウイルススクリーニングの問題に対して、正確かつ効率的な方法を提案することである。
13,569枚のX線画像のデータセットを、健康な非新型コロナウイルス患者と新型コロナウイルス患者に分けて、提案したアプローチを訓練する。
結果: 提案手法により, 全体の精度93.9%, COVID-19, 感度96.8%, 正の予測100%の高品質モデルが得られた。
論文 参考訳（メタデータ） (2020-04-12T23:26:56Z)
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。