論文の概要: Triage of Potential COVID-19 Patients from Chest X-ray Images using Hierarchical Convolutional Networks

• arxiv url: http://arxiv.org/abs/2011.00618v2
• Date: Tue, 15 Dec 2020 15:47:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 23:11:52.103126
• Title: Triage of Potential COVID-19 Patients from Chest X-ray Images using Hierarchical Convolutional Networks
• Title（参考訳）: 階層型畳み込みネットワークを用いた胸部x線画像からのcovid-19患者のトリアージ
• Authors: Kapal Dev, Sunder Ali Khowaja, Ankur Singh Bist, Vaibhav Saini, Surbhi Bhatia
• Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックは、逆転写-ポリメラーゼ連鎖反応(RT-PCR)の代替として人工知能技術を使うことを研究者に動機付けている。 胸部X線(CXR)は早期診断のための代替手段の1つであるが、大規模な注釈付きデータの有効性は、機械学習による新型コロナウイルス検出の臨床的実装を困難にしている。 本稿では,階層型畳み込みネットワーク(HCN)アーキテクチャを用いて,データを自然に拡張する手法を提案する。
• 参考スコア（独自算出の注目度）: 5.7179132552879395
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The current COVID-19 pandemic has motivated the researchers to use artificial intelligence techniques for a potential alternative to reverse transcription-polymerase chain reaction (RT-PCR) due to the limited scale of testing. The chest X-ray (CXR) is one of the alternatives to achieve fast diagnosis but the unavailability of large-scale annotated data makes the clinical implementation of machine learning-based COVID detection difficult. Another issue is the usage of ImageNet pre-trained networks which does not extract reliable feature representations from medical images. In this paper, we propose the use of hierarchical convolutional network (HCN) architecture to naturally augment the data along with diversified features. The HCN uses the first convolution layer from COVIDNet followed by the convolutional layers from well-known pre-trained networks to extract the features. The use of the convolution layer from COVIDNet ensures the extraction of representations relevant to the CXR modality. We also propose the use of ECOC for encoding multiclass problems to binary classification for improving the recognition performance. Experimental results show that HCN architecture is capable of achieving better results in comparison to the existing studies. The proposed method can accurately triage potential COVID-19 patients through CXR images for sharing the testing load and increasing the testing capacity.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、検査の規模が限られているため、逆転写-ポリメラーゼ連鎖反応(RT-PCR)の代替として人工知能技術を使用する動機となっている。 胸部X線(CXR)は早期診断のための代替手段の1つであるが、大規模な注釈付きデータの有効性は、機械学習による新型コロナウイルス検出の臨床的実装を困難にしている。 もう一つの問題は、医療画像から信頼できる特徴表現を抽出しないImageNet事前訓練ネットワークの利用である。 本稿では,階層型畳み込みネットワーク(hcn)アーキテクチャを用いて,多様な特徴とともにデータを自然に拡張する手法を提案する。 HCNは、COVIDNetの最初の畳み込み層と、よく知られたトレーニング済みネットワークからの畳み込み層を使用して特徴を抽出する。 COVIDNetからの畳み込み層の使用により、CXRのモダリティに関連する表現の抽出が保証される。 また,認識性能を向上させるために,マルチクラス問題をバイナリ分類に符号化するECOCを提案する。 実験の結果,hcnアーキテクチャは既存の研究よりも優れた結果が得られることがわかった。 提案手法は,cxr画像を用いて,検査負荷の共有と検査能力の増大に寄与する。

関連論文リスト

• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• 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)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• 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-CLNet: COVID-19 Detection with Compressive Deep Learning Approaches [0.0]
  本稿ではCTスキャン画像を用いたコンピュータ支援検出システムを提案する。 この強化されたディープラーニングネットワーク(CLNet)は、ディープラーニング(DL)ネットワークの実装に基づいている。 異なる圧縮方法で行われた実験は、新型コロナウイルス検出の有望な結果を示している。
  論文  参考訳（メタデータ） (2020-12-03T19:56:48Z)
• Explainable-by-design Semi-Supervised Representation Learning for COVID-19 Diagnosis from CT Imaging [23.918269366873567]
  本稿では,変分オートエンコーダを用いて効率的な特徴埋め込みを抽出する半教師付き分類パイプラインに基づく説明可能なディープラーニング手法を提案する。 説明可能な分類結果から, 提案する診断システムは, 新型コロナウイルスの分類に極めて有効である。
  論文  参考訳（メタデータ） (2020-11-23T20:51:22Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• A Deep Convolutional Neural Network for COVID-19 Detection Using Chest X-Rays [2.2843885788439797]
  我々は,Dense Convolutional Networksに基づく画像分類器を提案し,胸部X線像を新型コロナウイルス,肺炎,正常の3つのラベルで分類する移行学習を行った。 テストデータセットで100%のテスト精度に到達することができました。
  論文  参考訳（メタデータ） (2020-04-30T13:20:42Z)
• Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray images using fine-tuned deep neural networks [4.294650528226683]
  新型コロナウイルスは肺炎に似た呼吸器症候群である。 科学者、研究者、医療専門家は、肺感染症の特定によって、新型コロナウイルスの迅速かつ自動化された診断に貢献している。 本稿では,様々な最先端ディープラーニング手法における非バイアスの微調整学習(トランスファーラーニング)に対するランダムなオーバーサンプリングと重み付きクラス損失関数アプローチを提案する。
  論文  参考訳（メタデータ） (2020-04-23T10:24:34Z)
• COVID-MobileXpert: On-Device COVID-19 Patient Triage and Follow-up using Chest X-rays [12.100371588940256]
  COVID-MobileXpertは、軽量ディープニューラルネットワーク(DNN)ベースのモバイルアプリで、胸部X線(CXR)を新型コロナウイルスの症例スクリーニングと放射線学的軌跡予測に使用することができる。 我々は、ロバストな特徴を学習するために、新しい損失関数とトレーニングスキームをMSネットワークに採用する。
  論文  参考訳（メタデータ） (2020-04-06T23:43:58Z)

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。