Fugu-MT 論文翻訳(概要): COVID-19 Infection Map Generation and Detection from Chest X-Ray Images

論文の概要: COVID-19 Infection Map Generation and Detection from Chest X-Ray Images

arxiv url: http://arxiv.org/abs/2009.12698v2
Date: Wed, 6 Jan 2021 20:17:40 GMT
ステータス: 処理完了
システム内更新日: 2022-10-14 08:44:47.834912
Title: COVID-19 Infection Map Generation and Detection from Chest X-Ray Images
Title（参考訳）: 胸部X線画像からのCOVID-19感染マップの作成と検出
Authors: Aysen Degerli, Mete Ahishali, Mehmet Yamac, Serkan Kiranyaz, Muhammad E. H. Chowdhury, Khalid Hameed, Tahir Hamid, Rashid Mazhar, and Moncef Gabbouj
Abstract要約: そこで本研究では,CXR画像からの新型コロナウイルスの同時局在,重症度評価,検出のための新しい手法を提案する。私たちは、2951のCOVID-19サンプルを含む119,316のCXRイメージで、最大のデータセットをコンパイルしました。詳細な実験により、最先端のセグメンテーションネットワークは、F1スコア83.20%で新型コロナウイルス感染症の局所化を学べることが示されている。
参考スコア（独自算出の注目度）: 19.578921765959333
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Computer-aided diagnosis has become a necessity for accurate and immediate coronavirus disease 2019 (COVID-19) detection to aid treatment and prevent the spread of the virus. Numerous studies have proposed to use Deep Learning techniques for COVID-19 diagnosis. However, they have used very limited chest X-ray (CXR) image repositories for evaluation with a small number, a few hundreds, of COVID-19 samples. Moreover, these methods can neither localize nor grade the severity of COVID-19 infection. For this purpose, recent studies proposed to explore the activation maps of deep networks. However, they remain inaccurate for localizing the actual infestation making them unreliable for clinical use. This study proposes a novel method for the joint localization, severity grading, and detection of COVID-19 from CXR images by generating the so-called infection maps. To accomplish this, we have compiled the largest dataset with 119,316 CXR images including 2951 COVID-19 samples, where the annotation of the ground-truth segmentation masks is performed on CXRs by a novel collaborative human-machine approach. Furthermore, we publicly release the first CXR dataset with the ground-truth segmentation masks of the COVID-19 infected regions. A detailed set of experiments show that state-of-the-art segmentation networks can learn to localize COVID-19 infection with an F1-score of 83.20%, which is significantly superior to the activation maps created by the previous methods. Finally, the proposed approach achieved a COVID-19 detection performance with 94.96% sensitivity and 99.88% specificity.
Abstract（参考訳）: コンピューター支援による診断は、治療や感染拡大防止のため、2019年の新型コロナウイルス感染症(COVID-19)の正確な診断に欠かせないものとなっている。新型コロナウイルスの診断にディープラーニング技術を使うことが、多くの研究で提案されている。しかし、非常に限られた胸部X線(CXR)画像レポジトリを使用して、少数の、数百のサンプルを検査している。さらに、これらの方法は、新型コロナウイルス感染の深刻度を局所化することも評価することもできない。この目的のために、近年の研究で深層ネットワークの活性化マップの探索が提案されている。しかし、実際の寄生虫の局在が不正確なため、臨床使用には信頼性が低い。本研究は,CXR画像からの感染地図の作成により,共同局在化,重症度評価,および新型コロナウイルス検出の新たな手法を提案する。これを実現するために,2951 COVID-19サンプルを含む119,316枚のCXR画像を用いた最大データセットを作成した。さらに,CXRデータセットは,新型コロナウイルス感染地域の接地トラストセグメンテーションマスクを用いて公開している。詳細な実験のセットでは、最先端のセグメンテーションネットワークが、f1-scoreの83.20%でcovid-19感染をローカライズできることが示されています。最後に、提案手法は94.96%の感度と99.88%の特異性を持つcovid-19検出性能を達成した。

関連論文リスト

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)
OSegNet: Operational Segmentation Network for COVID-19 Detection using Chest X-ray Images [22.059683089872916]
この研究は、最大のCOVID-19 CXRデータセットであるQaTa-COV19を拡張し、9258個のCOVID-19サンプルを含む121,378個のCXRを持つ。 OSegNetは98.09%の精度で最先端のディープモデルの中で99.65%の精度で検出性能を達成した。
論文参考訳（メタデータ） (2022-02-21T12:52:23Z)
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 CXR-2: An Enhanced Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-ray Images [58.35627258364233]
RT-PCR検査への無料スクリーニング戦略として胸部X線(CXR)イメージングの使用は成長し続けています。我々は、CXR画像からCOVID-19を検出するため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 CXR-2を紹介する。ベンチマークデータセットは、少なくとも51カ国16,656人の多国籍コホートから19,203個のCXR画像で構成された。
論文参考訳（メタデータ） (2021-05-14T04:29:21Z)
COVID-19 Infection Localization and Severity Grading from Chest X-ray Images [3.4546388019336143]
コロナウイルス感染症2019(COVID-19)は、2019年12月に出現して以来、世界中で主要な課題となっている。我々は、11,956のCOVID-19サンプルを含む33,920のCXRイメージで、最大のベンチマークデータセットを構築しました。このアプローチは、99%以上の感度と特異性の両方で優れたCOVID-19検出性能を達成しました。
論文参考訳（メタデータ） (2021-03-14T18:06:06Z)
Reliable COVID-19 Detection Using Chest X-ray Images [25.179817545627596]
QaTa-COV19には4603のCOVID-19サンプルを含む124,616の画像が含まれています。提案されたReCovNetは98.57%の感度と99.77%の特異性で検出性能を達成した。
論文参考訳（メタデータ） (2021-01-28T19:57:21Z)
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)
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)
DeepCOVIDExplainer: Explainable COVID-19 Diagnosis Based on Chest X-ray Images [1.6855835471222005]
我々は、CXR画像から新型コロナウイルスの症状を自動的に検出するための説明可能なディープニューラルネットワーク(DNN)に基づく手法を提案する。 15,854例のCXR画像15,959例を使用し,正常例,肺炎例,COVID-19例を対象とした。当社のアプローチでは、新型コロナウイルスを確実に91.6%、92.45%、96.12%の正の予測値(PPV)で識別することができる。
論文参考訳（メタデータ） (2020-04-09T15:03:58Z)
COVID_MTNet: COVID-19 Detection with Multi-Task Deep Learning Approaches [5.578413517654704]
本稿では,多タスク深層学習(DL)手法を用いて,新型コロナウイルス患者を迅速かつ効率的に識別する方法を提案する。提案手法について,X線およびCTスキャン画像を用いて検討した。検出モデルは、X線画像から約84.67%の精度と、CT画像の98.78%の精度を示している。
論文参考訳（メタデータ） (2020-04-07T23:19:59Z)
COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images [93.0013343535411]
我々は,胸部X線(CXR)画像から新型コロナウイルスの症例を検出するための,深層畳み込みニューラルネットワーク設計であるCOVID-Netを紹介した。著者たちの知る限りでは、COVID-NetはCXRイメージからCOVID-19を検出するための、最初のオープンソースネットワーク設計の1つである。また,13,870人の患者を対象に,13,975個のCXR画像からなるオープンアクセスベンチマークデータセットであるCOVIDxも導入した。
論文参考訳（メタデータ） (2020-03-22T12:26:36Z)

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。