Fugu-MT 論文翻訳(概要): Automated triage of COVID-19 from various lung abnormalities using chest CT features

論文の概要: Automated triage of COVID-19 from various lung abnormalities using chest CT features

arxiv url: http://arxiv.org/abs/2010.12967v1
Date: Sat, 24 Oct 2020 19:44:48 GMT
ステータス: 処理完了
システム内更新日: 2022-10-03 13:28:44.792908
Title: Automated triage of COVID-19 from various lung abnormalities using chest CT features
Title（参考訳）: 胸部CT像を用いた各種肺疾患からのCOVID-19自動トリアージ
Authors: Dor Amran, Maayan Frid-Adar, Nimrod Sagie, Jannette Nassar, Asher Kabakovitch, Hayit Greenspan
Abstract要約: 入力胸部CTをスキャンし、新型コロナウイルスの患者をトリアージする、完全に自動化されたAIベースのシステムを提案する。肺や感染症の統計、テクスチャ、形状、位置など、さまざまな特徴を生成して、機械学習ベースの分類器を訓練します。 2191例のCTデータセットを用いて本システムの評価を行い,90.8%の感度で85.4%の特異性,94.0%のROC-AUCで堅牢な解を示した。
参考スコア（独自算出の注目度）: 2.4956060473718407
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The outbreak of COVID-19 has lead to a global effort to decelerate the pandemic spread. For this purpose chest computed-tomography (CT) based screening and diagnosis of COVID-19 suspected patients is utilized, either as a support or replacement to reverse transcription-polymerase chain reaction (RT-PCR) test. In this paper, we propose a fully automated AI based system that takes as input chest CT scans and triages COVID-19 cases. More specifically, we produce multiple descriptive features, including lung and infections statistics, texture, shape and location, to train a machine learning based classifier that distinguishes between COVID-19 and other lung abnormalities (including community acquired pneumonia). We evaluated our system on a dataset of 2191 CT cases and demonstrated a robust solution with 90.8% sensitivity at 85.4% specificity with 94.0% ROC-AUC. In addition, we present an elaborated feature analysis and ablation study to explore the importance of each feature.
Abstract（参考訳）: 新型コロナウイルス(covid-19)の流行は世界的なパンデミックの減速につながった。この目的のために、転写-ポリメラーゼ連鎖反応(RT-PCR)テストの補充または置換として、胸部CTによる新型コロナウイルス感染者のスクリーニングおよび診断を利用する。本稿では,入力胸部ctスキャンとトリアージを行う,完全自動化されたaiベースのシステムを提案する。具体的には、肺と感染症の統計、テクスチャ、形状、位置など、複数の記述的特徴を生成して、covid-19と他の肺疾患(コミュニティが獲得した肺炎を含む)を区別する機械学習ベースの分類器を訓練します。当システムは2191例のctデータを用いて評価し,感度が90.8%,特異度85.4%,roc-auc94.0%のロバスト解を示した。さらに,各特徴の重要性について,詳細な特徴分析とアブレーション研究を行った。

関連論文リスト

A Novel Implementation of Machine Learning for the Efficient, Explainable Diagnosis of COVID-19 from Chest CT [0.0]
本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。提案したモデルは0.927の総合精度と0.958の感度を得た。
論文参考訳（メタデータ） (2022-06-15T18:35:22Z)
An Explainable AI System for Automated COVID-19 Assessment and Lesion Categorization from CT-scans [8.694504007704994]
SARS-CoV-2病原体による新型コロナウイルス感染症は、世界中で壊滅的なパンデミックである。深層学習パラダイムに基づくAIを用いたパイプラインを提案し,CTスキャンによるCOVID-19検出と病変分類を自動化した。
論文参考訳（メタデータ） (2021-01-28T11:47:35Z)
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)
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)
Automated Detection of COVID-19 from CT Scans Using Convolutional Neural Networks [0.0]
COVID-19はSARS-CoV 2003と同様の呼吸器障害を引き起こす感染症である。 U-Netアーキテクチャを用いて2次元セグメンテーションモデルを構築し,感染領域をマークアウトして出力する。
論文参考訳（メタデータ） (2020-06-23T06:50:41Z)
Machine Learning Automatically Detects COVID-19 using Chest CTs in a Large Multicenter Cohort [43.99203831722203]
16施設2096例の胸部CT検査を行った。新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
論文参考訳（メタデータ） (2020-06-09T00:40:35Z)
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)
Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文参考訳（メタデータ） (2020-05-06T09:56:51Z)
3D Tomographic Pattern Synthesis for Enhancing the Quantification of COVID-19 [13.424414148963566]
2020年4月12日時点で、コロナウイルス病(COVID-19)は18万人に感染し、11万人以上の死者を出した。胸部CTで見られる断層像は, 臨床像の重症度と進行度と相関する。我々は、これらの課題に対処するために、合成データセットを使用して、既存のCOVID-19データベースを拡張することを提案する。
論文参考訳（メタデータ） (2020-05-05T01:31:40Z)
JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文参考訳（メタデータ） (2020-04-15T12:30:40Z)
Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文参考訳（メタデータ） (2020-03-26T15:49:32Z)

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。