Fugu-MT 論文翻訳(概要): Point of Care Image Analysis for COVID-19

論文の概要: Point of Care Image Analysis for COVID-19

arxiv url: http://arxiv.org/abs/2011.01789v2
Date: Tue, 10 Nov 2020 06:12:19 GMT
ステータス: 処理完了
システム内更新日: 2022-10-02 06:14:59.367139
Title: Point of Care Image Analysis for COVID-19
Title（参考訳）: 新型コロナウイルスのケアイメージ分析のポイント
Authors: Daniel Yaron, Daphna Keidar, Elisha Goldstein, Yair Shachar, Ayelet Blass, Oz Frank, Nir Schipper, Nogah Shabshin, Ahuva Grubstein, Dror Suhami, Naama R. Bogot, Eyal Sela, Amiel A. Dror, Mordehay Vaturi, Federico Mento, Elena Torri, Riccardo Inchingolo, Andrea Smargiassi, Gino Soldati, Tiziano Perrone, Libertario Demi, Meirav Galun, Shai Bagon, Yishai M. Elyada and Yonina C. Eldar
Abstract要約: 新型コロナウイルスは胸部CTでは検出が容易だが、高価で非可搬性であり、消毒が難しいため、POC(point-of-care)モダリティには適さない。ここでは、深層ニューラルネットワークをトレーニングし、CXRとLUSを使用して新型コロナウイルス患者を検出し、評価し、モニターする能力を大幅に強化します。
参考スコア（独自算出の注目度）: 45.12731696349201
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Early detection of COVID-19 is key in containing the pandemic. Disease detection and evaluation based on imaging is fast and cheap and therefore plays an important role in COVID-19 handling. COVID-19 is easier to detect in chest CT, however, it is expensive, non-portable, and difficult to disinfect, making it unfit as a point-of-care (POC) modality. On the other hand, chest X-ray (CXR) and lung ultrasound (LUS) are widely used, yet, COVID-19 findings in these modalities are not always very clear. Here we train deep neural networks to significantly enhance the capability to detect, grade and monitor COVID-19 patients using CXRs and LUS. Collaborating with several hospitals in Israel we collect a large dataset of CXRs and use this dataset to train a neural network obtaining above 90% detection rate for COVID-19. In addition, in collaboration with ULTRa (Ultrasound Laboratory Trento, Italy) and hospitals in Italy we obtained POC ultrasound data with annotations of the severity of disease and trained a deep network for automatic severity grading.
Abstract（参考訳）: 新型コロナウイルスの早期発見は、パンデミックを含む上で鍵となる。画像に基づく疾患の検出と評価は迅速かつ安価であり、ウイルス処理において重要な役割を果たしている。新型コロナウイルスは胸部CTでは検出が容易だが、高価で非可搬性で消毒が難しいため、POC(point-of-care)モダリティには適さない。一方、胸部X線(CXR)と肺超音波(LUS)は広く用いられているが、これらのモダリティにおけるCOVID-19の発見は必ずしも明確ではない。ここでは,深層ニューラルネットワークを訓練し,cxrとlusを用いたcovid-19患者の検出,評価,監視能力を大幅に向上させる。イスラエルのいくつかの病院とコラボレーションすることで、cxrの大規模なデータセットを収集し、このデータセットを使用して、covid-19検出率90%を超えるニューラルネットワークをトレーニングします。さらに, イタリアのULTRa(Ultrasound Laboratory Trento, イタリア)と病院の協力を得て, 重症度のアノテーションを用いたPOC超音波データを取得し, 重症度自動評価のためのディープネットワークを訓練した。

関連論文リスト

COVID-Net UV: An End-to-End Spatio-Temporal Deep Neural Network Architecture for Automated Diagnosis of COVID-19 Infection from Ultrasound Videos [70.60433013657693]
COVID-Netは、空間的特徴を抽出する畳み込みニューラルネットワークと、時間的依存を学習するリカレントニューラルネットワークで構成される。ネットワークの平均精度は94.44%で、新型コロナウイルスの患者には偽陰性なケースはない。
論文参考訳（メタデータ） (2022-05-18T13:59:16Z)
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 CT-S: 3D Convolutional Neural Network Architectures for COVID-19 Severity Assessment using Chest CT Images [85.00197722241262]
我々は、新型コロナウイルス感染による肺疾患の重症度を予測するための深層畳み込みニューラルネットワークであるCOVID-Net CT-Sを紹介した。 3D残像設計を利用して、新型コロナウイルスの肺疾患の重症度を特徴付ける容積的視覚指標を学習する。
論文参考訳（メタデータ） (2021-05-04T04:44:41Z)
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)
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-19 Infection Map Generation and Detection from Chest X-Ray Images [19.578921765959333]
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。
論文参考訳（メタデータ） (2020-09-26T22:20:05Z)
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)
Deep Learning COVID-19 Features on CXR using Limited Training Data Sets [40.45289250518209]
我々は、比較的少数のトレーニング可能なパラメータで新型コロナウイルスの診断を行うパッチベースの畳み込みニューラルネットワークアプローチを提案する。実験の結果,本手法は最先端の性能を達成し,臨床的に解釈可能なサリエンシマップを提供することがわかった。
論文参考訳（メタデータ） (2020-04-13T03:44:42Z)
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)

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。