Fugu-MT 論文翻訳(概要): Impact of lung segmentation on the diagnosis and explanation of COVID-19 in chest X-ray images

論文の概要: Impact of lung segmentation on the diagnosis and explanation of COVID-19 in chest X-ray images

arxiv url: http://arxiv.org/abs/2009.09780v4
Date: Mon, 13 Sep 2021 13:32:02 GMT
ステータス: 処理完了
システム内更新日: 2022-10-16 03:58:28.566946
Title: Impact of lung segmentation on the diagnosis and explanation of COVID-19 in chest X-ray images
Title（参考訳）: 胸部X線画像における肺分画がCOVID-19の診断と説明に及ぼす影響
Authors: Lucas O. Teixeira, Rodolfo M. Pereira, Diego Bertolini, Luiz S. Oliveira, Loris Nanni, George D. C. Cavalcanti, Yandre M. G. Costa
Abstract要約: 新型コロナウイルスはしばしば肺炎を誘発し、画像検査で診断できる。ここでは,CXR画像を用いた新型コロナウイルス識別における肺セグメンテーションの影響を実証する。
参考スコア（独自算出の注目度）: 11.856552328367151
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: COVID-19 frequently provokes pneumonia, which can be diagnosed using imaging exams. Chest X-ray (CXR) is often useful because it is cheap, fast, widespread, and uses less radiation. Here, we demonstrate the impact of lung segmentation in COVID-19 identification using CXR images and evaluate which contents of the image influenced the most. Semantic segmentation was performed using a U-Net CNN architecture, and the classification using three CNN architectures (VGG, ResNet, and Inception). Explainable Artificial Intelligence techniques were employed to estimate the impact of segmentation. A three-classes database was composed: lung opacity (pneumonia), COVID-19, and normal. We assessed the impact of creating a CXR image database from different sources, and the COVID-19 generalization from one source to another. The segmentation achieved a Jaccard distance of 0.034 and a Dice coefficient of 0.982. The classification using segmented images achieved an F1-Score of 0.88 for the multi-class setup, and 0.83 for COVID-19 identification. In the cross-dataset scenario, we obtained an F1-Score of 0.74 and an area under the ROC curve of 0.9 for COVID-19 identification using segmented images. Experiments support the conclusion that even after segmentation, there is a strong bias introduced by underlying factors from different sources.
Abstract（参考訳）: 新型コロナウイルスはしばしば肺炎を誘発し、画像検査で診断できる。胸部X線(CXR)は安価で、速く、広く、放射線が少ないため、しばしば有用である。本稿では、cxr画像を用いたcovid-19識別における肺分画の影響を実証し、その画像のどの内容が最も影響したかを評価する。 U-Net CNNアーキテクチャと3つのCNNアーキテクチャ(VGG, ResNet, Inception)を用いてセマンティックセグメンテーションを行った。セグメンテーションの影響を推定するために説明可能な人工知能技術が用いられた。肺不透明(肺炎)、COVID-19、正常の3種類のデータベースが作成された。我々は、異なるソースからCXRイメージデータベースを作成することの影響と、あるソースから別のソースへのCOVID-19の一般化を評価した。セグメンテーションはジャカード距離0.034、サイス係数0.982を達成した。セグメンテーション画像を用いた分類では,f1-scoreが0.88,covid-19識別が0.83であった。 F1スコア0.74、ROC曲線0.9以下の領域をセグメント化画像を用いて同定した。実験はセグメンテーションの後にも、異なるソースの根底にある要因によって強いバイアスが生じるという結論を支持している。

関連論文リスト

Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
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)
COVIDx CXR-3: A Large-Scale, Open-Source Benchmark Dataset of Chest X-ray Images for Computer-Aided COVID-19 Diagnostics [69.55060769611916]
RT-PCR検査の補助的スクリーニング戦略としての胸部X線撮影(CXR)の利用が増加している。 CXRイメージングに基づく新型コロナウイルススクリーニングのための多くの視覚知覚モデルが提案されている。我々は、COVID-19コンピュータビジョン研究を支援するために、CXR画像の大規模なベンチマークデータセットであるCOVIDx CXR-3を紹介する。
論文参考訳（メタデータ） (2022-06-08T04:39:44Z)
COVID-19 Detection on Chest X-Ray Images: A comparison of CNN architectures and ensembles [0.0]
畳み込みニューラルネットワーク(CNN)は、しばしば自動画像分類に使われ、CXR診断に非常に有用である。本稿では、CXR画像中のCOVID-19を識別するタスクにおいて、21の異なるCNNアーキテクチャをテスト、比較する。最も優れたCNNのインスタンス結果はDenseNet169で達成され、精度は98.15%、F1スコアは98.12%だった。
論文参考訳（メタデータ） (2021-11-18T23:28:21Z)
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)
Recognition of COVID-19 Disease Utilizing X-Ray Imaging of the Chest Using CNN [0.0]
本研究の目的は、胸部X線画像を用いた新型コロナウイルスの診断のために、畳み込みニューラルネットワーク(CNN)を評価することである。データセットを3分割したX線画像に対して, 予備実験の結果, 3層の畳み込み層を持つCNNモデルは, 96%の精度で確実に検出できることがわかった。
論文参考訳（メタデータ） (2021-09-05T15:31:24Z)
Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19 Using Convolutional Neural Network [2.752817022620644]
最近の研究で、新型コロナウイルス患者のX線写真には、新型コロナウイルスに関する情報が含まれていることが示されている。胸部X線(CXR)は、高速な撮像時間、広範囲の可用性、低コスト、可搬性から注目されている。本研究では、CXR画像から新型コロナウイルスの分類を改善するために、新しい多機能畳み込みニューラルネットワーク(CNN)アーキテクチャを設計する。
論文参考訳（メタデータ） (2020-11-06T20:26:26Z)
COVID-19 Classification of X-ray Images Using Deep Neural Networks [36.99143569437537]
本研究の目的は、新型コロナウイルスの診断のための機械学習モデルの作成と評価である。機械学習モデルは、事前訓練されたディープラーニングモデル(ReNet50)を使用して構築され、データ拡張と肺分節によって強化された。精度,感度,受信特性曲線(ROC)と高精度リコール曲線(P-R)を用いて評価した。
論文参考訳（メタデータ） (2020-10-03T13:57:08Z)
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)
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)
Deep Learning for Reliable Classification of COVID-19, MERS, and SARS from Chest X-Ray Images [3.1807621587822013]
重症急性呼吸症候群(SARS)と中東呼吸器症候群(MERS)の流行は2002年と2011年に発生し、現在のCOVID-19パンデミックはいずれも同じ種類の新型コロナウイルスである。本研究の目的は、深層畳み込みニューラルネットワーク(CNN)を用いて、COVID-19、SARS、MERS胸部X線画像(CXR)を分類することである。
論文参考訳（メタデータ） (2020-05-23T12:22:28Z)

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。