論文の概要: Potential Features of ICU Admission in X-ray Images of COVID-19 Patients
- arxiv url: http://arxiv.org/abs/2009.12597v2
- Date: Thu, 21 Jan 2021 12:43:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 09:12:40.778534
- Title: Potential Features of ICU Admission in X-ray Images of COVID-19 Patients
- Title(参考訳): COVID-19患者のX線画像におけるICU適応の可能性
- Authors: Douglas P. S. Gomes, Anwaar Ulhaq, Manoranjan Paul, Michael J. Horry,
Subrata Chakraborty, Manas Saha, Tanmoy Debnath, D.M. Motiur Rahaman
- Abstract要約: 本稿では,患者ICU入院ラベルを用いたデータセットから,重症度と相関する意味的特徴を抽出する手法を提案する。
この手法は、肺の病態を認識して意味的特徴を抽出するために訓練されたニューラルネットワークを使用する。
この方法では、学習した特徴の画像を選択でき、肺内の一般的な位置に関する情報を翻訳することができる。
- 参考スコア(独自算出の注目度): 8.83608410540057
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: X-ray images may present non-trivial features with predictive information of
patients that develop severe symptoms of COVID-19. If true, this hypothesis may
have practical value in allocating resources to particular patients while using
a relatively inexpensive imaging technique. The difficulty of testing such a
hypothesis comes from the need for large sets of labelled data, which need to
be well-annotated and should contemplate the post-imaging severity outcome.
This paper presents an original methodology for extracting semantic features
that correlate to severity from a data set with patient ICU admission labels
through interpretable models. The methodology employs a neural network trained
to recognise lung pathologies to extract the semantic features, which are then
analysed with low-complexity models to limit overfitting while increasing
interpretability. This analysis points out that only a few features explain
most of the variance between patients that developed severe symptoms. When
applied to an unrelated larger data set with pathology-related clinical notes,
the method has shown to be capable of selecting images for the learned
features, which could translate some information about their common locations
in the lung. Besides attesting separability on patients that eventually develop
severe symptoms, the proposed methods represent a statistical approach
highlighting the importance of features related to ICU admission that may have
been only qualitatively reported. While handling limited data sets, notable
methodological aspects are adopted, such as presenting a state-of-the-art lung
segmentation network and the use of low-complexity models to avoid overfitting.
The code for methodology and experiments is also available.
- Abstract(参考訳): x線画像は、新型コロナウイルスの重篤な症状を発症する患者の予測情報と非自明な特徴を示す可能性がある。
もし本当なら、この仮説は比較的安価なイメージング技術を用いて、特定の患者にリソースを割り当てる実践的な価値があるかもしれない。
このような仮説をテストすることの難しさは、十分な注釈付きで、画像後の重大性の結果を熟考する必要がある、ラベル付きデータの大規模なセットの必要性から生じる。
本稿では,患者ICU入院ラベル付きデータセットから重度と相関する意味的特徴を解釈可能なモデルで抽出する手法を提案する。
この手法は、肺の病理を認識して意味的特徴を抽出するように訓練されたニューラルネットワークを使用しており、それを低複雑さモデルで分析し、オーバーフィッティングを制限し、解釈可能性を高める。
この分析から,重篤な症状を呈する患者間の差異のほとんどが説明できる特徴はごくわずかであることが示唆された。
病理学関連の臨床記録を持つ無関係な大きなデータセットに適用すると、この方法は学習した特徴の画像を選択でき、肺内の一般的な位置に関する情報を翻訳することができる。
重篤な症状を呈する患者に対する分離性の検証に加えて,提案手法は,質的にのみ報告された icu 入会に関する特徴の重要性を強調する統計的アプローチである。
限られたデータセットを扱う一方で、最先端の肺セグメンテーションネットワークの提示や、オーバーフィッティングを避けるために低複雑さモデルの使用など、注目すべき方法論が採用されている。
方法論と実験用のコードも利用できる。
関連論文リスト
- Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。
本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
論文 参考訳(メタデータ) (2024-12-30T01:59:34Z) - Multiscale Latent Diffusion Model for Enhanced Feature Extraction from Medical Images [5.395912799904941]
CTスキャナーモデルと取得プロトコルのバリエーションは、抽出した放射能特性に有意な変動をもたらす。
LTDiff++は医療画像の特徴抽出を強化するために設計されたマルチスケール潜在拡散モデルである。
論文 参考訳(メタデータ) (2024-10-05T02:13:57Z) - Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction [15.06049250330114]
集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
論文 参考訳(メタデータ) (2023-08-24T05:26:56Z) - Realistic Data Enrichment for Robust Image Segmentation in
Histopathology [2.248423960136122]
拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。
本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
論文 参考訳(メタデータ) (2023-04-19T09:52:50Z) - MMLN: Leveraging Domain Knowledge for Multimodal Diagnosis [10.133715767542386]
肺疾患診断のための知識駆動型およびデータ駆動型フレームワークを提案する。
本研究は, 臨床医学ガイドラインに従って診断規則を定式化し, テキストデータから規則の重みを学習する。
テキストと画像データからなるマルチモーダル融合は、肺疾患の限界確率を推定するために設計されている。
論文 参考訳(メタデータ) (2022-02-09T04:12:30Z) - Covid-19 Detection from Chest X-ray and Patient Metadata using Graph
Convolutional Neural Networks [6.420262246029286]
本稿では,Covid-19肺炎のバイオマーカーを同定可能な新しいグラフ畳み込みニューラルネットワーク(GCN)を提案する。
提案手法は,データインスタンスとその特徴間の重要な関係知識をグラフ表現を用いて利用し,グラフデータ学習に畳み込みを適用する。
論文 参考訳(メタデータ) (2021-05-20T13:13:29Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z) - 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) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z) - 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)
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。