論文の概要: CT-CAPS: Feature Extraction-based Automated Framework for COVID-19
Disease Identification from Chest CT Scans using Capsule Networks
- arxiv url: http://arxiv.org/abs/2010.16043v1
- Date: Fri, 30 Oct 2020 03:35:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 16:37:57.742850
- Title: CT-CAPS: Feature Extraction-based Automated Framework for COVID-19
Disease Identification from Chest CT Scans using Capsule Networks
- Title（参考訳）: CT-CAPS:カプセルネットワークを用いた胸部CTスキャンからのCOVID-19病の特定のための特徴抽出に基づく自動フレームワーク
- Authors: Shahin Heidarian, Parnian Afshar, Arash Mohammadi, Moezedin Javad
Rafiee, Anastasia Oikonomou, Konstantinos N. Plataniotis, and Farnoosh
Naderkhani
- Abstract要約: 新型コロナウイルス(COVID-19)の世界的な流行は世界に大きな影響を与えており、第二次世界大戦以来最も困難な危機の1つとなっている。
新型コロナウイルス感染者の早期診断と隔離は、感染拡大を予防し、流行曲線をフラット化するための重要な手段と考えられている。
最近では、主に畳み込みニューラルネットワーク(CNN)に基づくディープラーニングベースのモデルが、有望な診断結果を示している。
本稿では,CT-CAPS(CT-CAPS)と呼ばれるCapsule Networkフレームワークを用いて,胸部CTスキャンの特徴を自動抽出する手法を提案する。
- 参考スコア（独自算出の注目度）: 33.773060540360625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The global outbreak of the novel corona virus (COVID-19) disease has
drastically impacted the world and led to one of the most challenging crisis
across the globe since World War II. The early diagnosis and isolation of
COVID-19 positive cases are considered as crucial steps towards preventing the
spread of the disease and flattening the epidemic curve. Chest Computed
Tomography (CT) scan is a highly sensitive, rapid, and accurate diagnostic
technique that can complement Reverse Transcription Polymerase Chain Reaction
(RT-PCR) test. Recently, deep learning-based models, mostly based on
Convolutional Neural Networks (CNN), have shown promising diagnostic results.
CNNs, however, are incapable of capturing spatial relations between image
instances and require large datasets. Capsule Networks, on the other hand, can
capture spatial relations, require smaller datasets, and have considerably
fewer parameters. In this paper, a Capsule network framework, referred to as
the "CT-CAPS", is presented to automatically extract distinctive features of
chest CT scans. These features, which are extracted from the layer before the
final capsule layer, are then leveraged to differentiate COVID-19 from
Non-COVID cases. The experiments on our in-house dataset of 307 patients show
the state-of-the-art performance with the accuracy of 90.8%, sensitivity of
94.5%, and specificity of 86.0%.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)の世界的な流行は、世界に大きな影響を与え、第二次世界大戦以来、世界で最も困難な危機の1つとなった。
新型ウイルスの早期診断と分離は、感染拡大を予防し、流行曲線を平坦化するための重要なステップと考えられている。
胸部CT(Chest Computed Tomography)スキャンは、RT-PCR(Reverse Transcription Polymerase Chain Reaction)を補完する高感度、迅速、高精度な診断技術である。
近年,畳み込みニューラルネットワーク(cnn)に基づくディープラーニングモデルが有望な診断結果を示している。
しかし、CNNは画像インスタンス間の空間的関係をキャプチャできず、大きなデータセットを必要とする。
一方、カプセルネットワークは、空間的関係を捉えることができ、より小さなデータセットを必要とし、パラメータがかなり少ない。
本稿では,CT-CAPS(CT-CAPS)と呼ばれるCapsule Networkフレームワークを用いて,胸部CTスキャンの特徴を自動抽出する手法を提案する。
これらの特徴は最終カプセル層の前の層から抽出され、covid-19と非共発例を区別するために利用される。
307例の社内データセットを用いた実験では, 精度90.8%, 感度94.5%, 特異度86.0%の最先端性能を示した。
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) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - 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) - COVID-FACT: A Fully-Automated Capsule Network-based Framework for
Identification of COVID-19 Cases from Chest CT scans [29.327290778950324]
我々は「COVID-FACT」と呼ばれる新型コロナウイルス陽性症例の同定のための2段階完全自動化フレームワークを提案する。
COVID-FACTは感染したスライスを検出し、社内CTスキャンデータセットを使用して陽性のCOVID-19患者を特定する。
この実験に基づいて、COVID-FACTは90.82%の精度、94.55%の感度、86.04%の特異度、および0.98のエリアアンダー・ザ・カーブ(AUC)を達成できるが、監督やアノテーションははるかに少ない。
論文 参考訳（メタデータ） (2020-10-30T03:30:22Z) - 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) - 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) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z) - 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) - COVID-CAPS: A Capsule Network-based Framework for Identification of
COVID-19 cases from X-ray Images [34.93885932923011]
コロナウイルス(COVID-19)は、21世紀の2世紀末に、突然、そして間違いなく世界を変えた。
新型コロナウイルスの早期診断により、医療専門家や政府機関は移行の連鎖を破り、流行曲線をフラットにすることができる。
主に畳み込みニューラルネットワーク(CNN)をベースとしたディープニューラルネットワーク(DNN)ベースの診断ソリューション開発への関心が高まっている。
本稿では、小さなデータセットを処理可能な、Capsule Networks(COVID-CAPS)に基づく代替モデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-06T14:20:47Z)
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。