Fugu-MT 論文翻訳(概要): An Attention Mechanism with Multiple Knowledge Sources for COVID-19 Detection from CT Images

論文の概要: An Attention Mechanism with Multiple Knowledge Sources for COVID-19 Detection from CT Images

arxiv url: http://arxiv.org/abs/2009.11008v4
Date: Tue, 1 Dec 2020 15:16:06 GMT
ステータス: 処理完了
システム内更新日: 2022-10-15 17:05:20.208899
Title: An Attention Mechanism with Multiple Knowledge Sources for COVID-19 Detection from CT Images
Title（参考訳）: CT画像からのCOVID-19検出のための複数の知識源を用いた注意機構
Authors: Duy M. H. Nguyen, Duy M. Nguyen, Huong Vu, Binh T. Nguyen, Fabrizio Nunnari, Daniel Sonntag
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.6882040908691862
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Until now, Coronavirus SARS-CoV-2 has caused more than 850,000 deaths and infected more than 27 million individuals in over 120 countries. Besides principal polymerase chain reaction (PCR) tests, automatically identifying positive samples based on computed tomography (CT) scans can present a promising option in the early diagnosis of COVID-19. Recently, there have been increasing efforts to utilize deep networks for COVID-19 diagnosis based on CT scans. While these approaches mostly focus on introducing novel architectures, transfer learning techniques, or construction large scale data, we propose a novel strategy to improve the performance of several baselines by leveraging multiple useful information sources relevant to doctors' judgments. Specifically, infected regions and heat maps extracted from learned networks are integrated with the global image via an attention mechanism during the learning process. This procedure not only makes our system more robust to noise but also guides the network focusing on local lesion areas. Extensive experiments illustrate the superior performance of our approach compared to recent baselines. Furthermore, our learned network guidance presents an explainable feature to doctors as we can understand the connection between input and output in a grey-box model.
Abstract（参考訳）: これまで、コロナウイルスSARS-CoV-2は85万人以上の死者を出し、120カ国以上で2700万人以上が感染した。 PCR(プライマリ・ポリメラーゼ連鎖反応)検査の他に、CT(Computed tomography)スキャンに基づく陽性サンプルの自動同定は、COVID-19の早期診断において有望な選択肢となる可能性がある。近年,CTスキャンに基づく深層ネットワークによる新型コロナウイルスの診断への取り組みが活発化している。これらのアプローチは主に、新しいアーキテクチャの導入、移行学習技術、大規模データの構築に重点を置いているが、医師の判断に関連する複数の有用な情報ソースを活用することにより、複数のベースラインの性能を向上させるための新しい戦略を提案する。具体的には、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地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着目したネットワークを誘導する。大規模な実験は、最近のベースラインと比較して、我々のアプローチの優れた性能を示している。さらに,grey-boxモデルにおいて,入力と出力の関連性を理解できるように,学習したネットワークガイダンスを医師に提示する。

関連論文リスト

Enhancing COVID-19 Severity Analysis through Ensemble Methods [13.792760290422185]
本稿では、新型コロナウイルス患者の感染症領域を抽出するためのドメイン知識に基づくパイプラインを提案する。感染の重症度は、3つの機械学習モデルのアンサンブルを使用して異なるカテゴリに分類される。提案システムは,AI-Enabled Medical Image Analysis WorkshopとCOVID-19診断コンペティションの検証データセットを用いて評価した。
論文参考訳（メタデータ） (2023-03-13T13:59:47Z)
COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical Network to Monitor and Detect COVID-19 Infection from Point-of-Care Ultrasound Images [66.63200823918429]
COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
論文参考訳（メタデータ） (2023-01-04T16:05:51Z)
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)
COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19 from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
論文参考訳（メタデータ） (2021-01-19T03:04:09Z)
CHS-Net: A Deep learning approach for hierarchical segmentation of COVID-19 infected CT images [0.6091702876917281]
新型重症急性呼吸器症候群(SARS-CoV-2)のパンデミックが世界中で広がっています。 CT(Computerd Tomography)、X線などの医療画像は、臓器の構造に関する優れた詳細を提示することにより、患者の診断に重要な役割を果たします。ディープラーニング技術は、新型コロナウイルスなどの疾患やウイルスの迅速な診断を支援するために、そのようなスキャンを分析する強みを示しています。
論文参考訳（メタデータ） (2020-12-13T15:02:05Z)
COVID-CLNet: COVID-19 Detection with Compressive Deep Learning Approaches [0.0]
本稿ではCTスキャン画像を用いたコンピュータ支援検出システムを提案する。この強化されたディープラーニングネットワーク(CLNet)は、ディープラーニング(DL)ネットワークの実装に基づいている。異なる圧縮方法で行われた実験は、新型コロナウイルス検出の有望な結果を示している。
論文参考訳（メタデータ） (2020-12-03T19:56:48Z)
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)
COVID CT-Net: Predicting Covid-19 From Chest CT Images Using Attentional Convolutional Network [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。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。
論文参考訳（メタデータ） (2020-09-10T19:00:51Z)
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)
Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文参考訳（メタデータ） (2020-05-06T15:19:15Z)
Radiologist-Level COVID-19 Detection Using CT Scans with Detail-Oriented Capsule Networks [6.435530400792993]
我々はDetail-Oriented Capsule Networks (DECAPS) を提案する。我々のネットワークは、分類精度を高めるためのいくつかのアーキテクチャの改善とCapsule Networksの強みを組み合わせる。 ROC曲線では,84.3%の精度,91.5%のリコール,96.1%の領域が達成され,最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2020-04-16T00:48:32Z)

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。