論文の概要: Improving Automated COVID-19 Grading with Convolutional Neural Networks
in Computed Tomography Scans: An Ablation Study
- arxiv url: http://arxiv.org/abs/2009.09725v1
- Date: Mon, 21 Sep 2020 09:58:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 05:35:52.550283
- Title: Improving Automated COVID-19 Grading with Convolutional Neural Networks
in Computed Tomography Scans: An Ablation Study
- Title（参考訳）: Computed Tomography Scansにおける畳み込みニューラルネットワークによるCOVID-19グラフ作成の自動化
- Authors: Coen de Vente, Luuk H. Boulogne, Kiran Vaidhya Venkadesh, Cheryl
Sital, Nikolas Lessmann, Colin Jacobs, Clara I. S\'anchez, Bram van Ginneken
- Abstract要約: 本稿では,CNNに基づくCT画像からのCOVID-19グレーティングのためのアルゴリズムの性能向上に寄与する各種成分を同定する。
これらの成分を用いた3D CNNは, テストセット105CTでは0.934のLOC曲線 (AUC) , 公開されている742CTでは0.923のAUCを達成した。
- 参考スコア（独自算出の注目度）: 3.072491397378425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Amidst the ongoing pandemic, several studies have shown that COVID-19
classification and grading using computed tomography (CT) images can be
automated with convolutional neural networks (CNNs). Many of these studies
focused on reporting initial results of algorithms that were assembled from
commonly used components. The choice of these components was often pragmatic
rather than systematic. For instance, several studies used 2D CNNs even though
these might not be optimal for handling 3D CT volumes. This paper identifies a
variety of components that increase the performance of CNN-based algorithms for
COVID-19 grading from CT images. We investigated the effectiveness of using a
3D CNN instead of a 2D CNN, of using transfer learning to initialize the
network, of providing automatically computed lesion maps as additional network
input, and of predicting a continuous instead of a categorical output. A 3D CNN
with these components achieved an area under the ROC curve (AUC) of 0.934 on
our test set of 105 CT scans and an AUC of 0.923 on a publicly available set of
742 CT scans, a substantial improvement in comparison with a previously
published 2D CNN. An ablation study demonstrated that in addition to using a 3D
CNN instead of a 2D CNN transfer learning contributed the most and continuous
output contributed the least to improving the model performance.
- Abstract（参考訳）: パンデミックが進行中である中で、いくつかの研究で、CT画像を用いた新型コロナウイルスの分類とグレーディングが畳み込みニューラルネットワーク(CNN)で自動化できることが示されている。
これらの研究の多くは、よく使われるコンポーネントから組み立てられたアルゴリズムの初期結果の報告に焦点を当てた。
これらの部品の選択はしばしば体系的ではなく実用的であった。
例えば、いくつかの研究では3DCTボリュームを扱うのに最適ではないとしても、2D CNNを使用していた。
本稿では,CNNによるCT画像からのCOVID-19評価のためのアルゴリズムの性能向上を図った。
本研究では,2次元CNNの代わりに3次元CNNを用いてネットワークを初期化するトランスファーラーニング,ネットワーク入力として自動的に計算された病変マップの提供,カテゴリー出力の代わりに連続を予測することの有効性を検討した。
これらの成分を用いた3D CNNは、105個のCTスキャンで0.934のLOC曲線(AUC)と742個のCTスキャンで0.923のAUCを達成し、従来公表されていた2D CNNと比較して大幅に改善した。
アブレーション研究により、2d cnn転送学習の代わりに3d cnnを使うことが、最も多く、連続的なアウトプットがモデル性能の改善に最も寄与することを示した。
関連論文リスト
- 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) - Intelligent 3D Network Protocol for Multimedia Data Classification using
Deep Learning [0.0]
我々はSTIPと3D CNNの機能を組み合わせたハイブリッドディープラーニングアーキテクチャを実装し、3Dビデオのパフォーマンスを効果的に向上させる。
その結果,UCF101の動作認識のための文献から得られた最新のフレームワークを95%の精度で比較した。
論文 参考訳（メタデータ） (2022-07-23T12:24:52Z) - Classification of diffraction patterns using a convolutional neural
network in single particle imaging experiments performed at X-ray
free-electron lasers [53.65540150901678]
X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。
再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。
本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
論文 参考訳（メタデータ） (2021-12-16T17:03:14Z) - Automated airway segmentation by learning graphical structure [0.76146285961466]
我々は,既存の畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)に基づく気道セグメンテーションの高度な手法を提唱した。
提案モデルにより,CNN法とGNN法を併用した場合,胸部CTスキャンの気管支をほとんどの症例で検出できることが示唆された。
論文 参考訳（メタデータ） (2021-09-30T01:37:31Z) - Benchmarking CNN on 3D Anatomical Brain MRI: Architectures, Data
Augmentation and Deep Ensemble Learning [2.1446056201053185]
我々は最近のSOTA(State-of-the-art)3D CNNの広範なベンチマークを提案し、データ拡張と深層アンサンブル学習の利点も評価した。
年齢予測,性別分類,統合失調症診断の3つの課題について,N=10kスキャンを含む多地点の脳解剖学的MRIデータセットを用いて実験を行った。
その結果,VBM画像の予測精度は擬似RAWデータよりも有意に向上した。
DenseNetとSmall-DenseNetは、私たちが提案したより軽量なバージョンで、すべてのデータレシエーションのパフォーマンスにおいて優れた妥協を提供する。
論文 参考訳（メタデータ） (2021-06-02T13:00:35Z) - 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) - Learning Hybrid Representations for Automatic 3D Vessel Centerline
Extraction [57.74609918453932]
3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。
既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。
抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。
この課題を解決するためのハイブリッド表現学習手法を提案します。
論文 参考訳（メタデータ） (2020-12-14T05:22:49Z) - 3D CNNs with Adaptive Temporal Feature Resolutions [83.43776851586351]
similarity Guided Sampling (SGS)モジュールは既存のCNNアーキテクチャにプラグインできる。
SGSは、時間的特徴の類似性を学び、類似した特徴をまとめることで、3D CNNに権限を与える。
評価の結果,提案モジュールは精度を保ちながら計算コスト(GFLOP)を半分に減らし,最先端化を実現していることがわかった。
論文 参考訳（メタデータ） (2020-11-17T14:34:05Z) - A Light CNN for detecting COVID-19 from CT scans of the chest [9.088303226909279]
OVID-19は世界保健機関(WHO)によってパンデミックと宣言された世界規模の病気である。
深層学習は医学画像や畳み込みニューラルネットワーク(CNN)にも広く使われており、CT画像の分類にも使われている。
我々は,SqueezeNetのモデルに基づく軽量CNN設計を提案し,新型コロナウイルスのCT画像の効率的な識別を行う。
論文 参考訳（メタデータ） (2020-04-24T07:58:49Z) - 2D Convolutional Neural Networks for 3D Digital Breast Tomosynthesis
Classification [20.245580301060418]
分類のための自動手法を開発する際の主な課題は、スライス数の可変処理とスライス・ツー・スライスの変更の維持である。
本稿では,両課題を同時に克服する,新しい2次元畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案手法は,スライス数にかかわらず全ボリュームで動作するため,特徴抽出に2次元CNNを事前学習することが可能である。
論文 参考訳（メタデータ） (2020-02-27T18:32:52Z) - 2.75D: Boosting learning by representing 3D Medical imaging to 2D
features for small data [54.223614679807994]
3D畳み込みニューラルネットワーク(CNN)は、多くのディープラーニングタスクにおいて、2D CNNよりも優れたパフォーマンスを示し始めている。
3D CNNにトランスファー学習を適用することは、パブリックにトレーニング済みの3Dモデルがないために困難である。
本研究では,ボリュームデータの2次元戦略的表現,すなわち2.75Dを提案する。
その結果,2次元CNNネットワークをボリューム情報学習に用いることが可能となった。
論文 参考訳（メタデータ） (2020-02-11T08:24:19Z)
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。