論文の概要: Multi-stage transfer learning for lung segmentation using portable X-ray
devices for patients with COVID-19
- arxiv url: http://arxiv.org/abs/2011.00133v2
- Date: Sun, 7 Mar 2021 00:29:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 17:20:23.166607
- Title: Multi-stage transfer learning for lung segmentation using portable X-ray
devices for patients with COVID-19
- Title（参考訳）: ポータブルx線装置を用いたcovid-19患者肺分画の多段階トランスファー学習
- Authors: Pl\'acido L Vidal, Joaquim de Moura, Jorge Novo, Marcos Ortega
- Abstract要約: 本稿では,サンプル数の多いよく知られたドメインからの知識を,非常に少ない数でより複雑な新しいドメインに適応させる手法を提案する。
携帯型X線装置から肺領域を分画できるロバストなシステムを得るため,脳磁気共鳴画像から無関係な病理像を抽出した。
- 参考スコア（独自算出の注目度）: 14.767716319266999
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the main challenges in times of sanitary emergency is to quickly
develop computer aided diagnosis systems with a limited number of available
samples due to the novelty, complexity of the case and the urgency of its
implementation. This is the case during the current pandemic of COVID-19. This
pathogen primarily infects the respiratory system of the afflicted, resulting
in pneumonia and in a severe case of acute respiratory distress syndrome. This
results in the formation of different pathological structures in the lungs that
can be detected by the use of chest X-rays. Due to the overload of the health
services, portable X-ray devices are recommended during the pandemic,
preventing the spread of the disease. However, these devices entail different
complications (such as capture quality) that, together with the subjectivity of
the clinician, make the diagnostic process more difficult and suggest the
necessity for computer-aided diagnosis methodologies despite the scarcity of
samples available to do so. To solve this problem, we propose a methodology
that allows to adapt the knowledge from a well-known domain with a high number
of samples to a new domain with a significantly reduced number and greater
complexity. We took advantage of a pre-trained segmentation model from brain
magnetic resonance imaging of a unrelated pathology and performed two stages of
knowledge transfer to obtain a robust system able to segment lung regions from
portable X-ray devices despite the scarcity of samples and lesser quality. This
way, our methodology obtained a satisfactory accuracy of $0.9761 \pm 0.0100$
for patients with COVID-19, $0.9801 \pm 0.0104$ for normal patients and $0.9769
\pm 0.0111$ for patients with pulmonary diseases with similar characteristics
as COVID-19 (such as pneumonia) but not genuine COVID-19.
- Abstract（参考訳）: 衛生上の緊急時の大きな課題の1つは、新規性、ケースの複雑さ、そしてその実装の緊急性により、利用可能なサンプル数が少ないコンピュータ支援診断システムを迅速に開発することである。
新型コロナウイルス(COVID-19)のパンデミックの背景にある。
この病原体は、主に合併症の呼吸器系に感染し、肺炎と急性呼吸窮迫症候群の重篤な症例を引き起こす。
これにより、胸部x線を用いて検出できる肺の異なる病理構造が形成される。
医療サービスの過負荷により、パンデミックの間は携帯型X線デバイスが推奨され、病気の拡散を防いでいる。
しかし、これらの装置は、臨床医の主観性とともに診断過程をより困難にし、利用可能なサンプルの不足にもかかわらずコンピュータ支援診断手法の必要性を示唆する、様々な合併症(キャプチャー品質など)を伴っている。
そこで本研究では,サンプル数の多いよく知られたドメインからの知識を,比較的少ない数でより複雑な新しいドメインに適応させる手法を提案する。
非関連病理の脳磁気共鳴画像から事前訓練した分画モデルを利用し, 2段階の知識伝達を行い, 試料の不足と品質の低下にもかかわらず, 携帯型x線装置から肺領域を分画できる頑健なシステムを得た。
この方法では、covid-19患者に$0.9761 \pm 0.0100$、正常患者に$0.9801 \pm 0.0104$、covid-19(肺炎など)と似ているが本物のcovid-19ではない肺疾患患者に$0.9769 \pm 0.0111$という満足な精度を得た。
関連論文リスト
- Advancing Diagnostic Precision: Leveraging Machine Learning Techniques
for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest
X-Ray Images [0.0]
新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。
救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
論文 参考訳（メタデータ） (2023-10-09T18:38:49Z) - COVID-19 Pneumonia and Influenza Pneumonia Detection Using Convolutional
Neural Networks [0.0]
我々は、新型コロナウイルス肺炎、インフルエンザウイルス肺炎、および正常なバイオマーカーの鑑別を支援するコンピュータソリューションを開発した。
その分類性能において、最高の性能モデルでは、検証精度は93%、F1スコアは0.95であった。
論文 参考訳（メタデータ） (2021-12-14T01:59:25Z) - Development of a Multi-Task Learning V-Net for Pulmonary Lobar
Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。
この影響は、肺葉を分節する機械学習手法の改善を動機づけた。
このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
論文 参考訳（メタデータ） (2021-05-11T17:10:25Z) - COVID-19 Detection from Chest X-ray Images using Imprinted Weights
Approach [67.05664774727208]
胸部X線撮影は、COVID-19の代替スクリーニング方法です。
コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。
この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
論文 参考訳（メタデータ） (2021-05-04T19:01:40Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - Probabilistic combination of eigenlungs-based classifiers for COVID-19
diagnosis in chest CT images [6.1020196190084555]
新型コロナウイルスの感染者数は1億人以上で、2400万人以上が死亡している。
胸部X線(CXR)や胸部CT(CCT)などの医療画像の使用は、優れたソリューションであることが証明されています。
肺炎パターンを同定するために,確率的支援ベクトルマシン(SVM)に基づくアンサンブル分類器を提案する。
論文 参考訳（メタデータ） (2021-03-04T11:30:38Z) - Pinball-OCSVM for early-stage COVID-19 diagnosis with limited
posteroanterior chest X-ray images [3.4935179780034247]
本研究は、新型コロナウイルス陽性のCXRサンプルを限定した状態で動作可能な、ピンボール損失関数に基づく1クラスサポートベクターマシン(PB-OCSVM)を提案する。
提案モデルの性能は従来のOCSVMや既存のディープラーニングモデルと比較し,実験結果から,提案モデルが最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2020-10-16T02:34:15Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。
コンピュータ支援診断システムは診断精度を向上させる可能性を示した。
本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
論文 参考訳（メタデータ） (2020-05-28T10:54:34Z) - COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。
近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。
本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
論文 参考訳（メタデータ） (2020-04-30T03:13:40Z) - Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware
Anomaly Detection [86.81773672627406]
短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。
胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。
ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
論文 参考訳（メタデータ） (2020-03-27T11:32:18Z)
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。