論文の概要: Pristine annotations-based multi-modal trained artificial intelligence
solution to triage chest X-ray for COVID-19
- arxiv url: http://arxiv.org/abs/2011.05186v1
- Date: Tue, 10 Nov 2020 15:36:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 07:14:38.862367
- Title: Pristine annotations-based multi-modal trained artificial intelligence
solution to triage chest X-ray for COVID-19
- Title(参考訳): 新型コロナウイルス(covid-19)の胸部x線トリアージのためのプリシンアノテーションを用いたマルチモーダル訓練型人工知能ソリューション
- Authors: Tao Tan, Bipul Das, Ravi Soni, Mate Fejes, Sohan Ranjan, Daniel Attila
Szabo, Vikram Melapudi, K S Shriram, Utkarsh Agrawal, Laszlo Rusko, Zita
Herczeg, Barbara Darazs, Pal Tegzes, Lehel Ferenczi, Rakesh Mullick, Gopal
Avinash
- Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックが拡大し続け、世界の人口の豊かさに影響を及ぼしている。
CT (Computed tomography) やX線といった最前線のモダリティは、新型コロナウイルス患者をトリアージする上で重要な役割を担っている。
資源(ハードウェアと訓練員の両方)の限られたアクセスと汚染対策を考えると、CTは疑わしい被験者をトリアージするのに理想的ではないかもしれない。
- 参考スコア(独自算出の注目度): 1.1764495014312295
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The COVID-19 pandemic continues to spread and impact the well-being of the
global population. The front-line modalities including computed tomography (CT)
and X-ray play an important role for triaging COVID patients. Considering the
limited access of resources (both hardware and trained personnel) and
decontamination considerations, CT may not be ideal for triaging suspected
subjects. Artificial intelligence (AI) assisted X-ray based applications for
triaging and monitoring require experienced radiologists to identify COVID
patients in a timely manner and to further delineate the disease region
boundary are seen as a promising solution. Our proposed solution differs from
existing solutions by industry and academic communities, and demonstrates a
functional AI model to triage by inferencing using a single x-ray image, while
the deep-learning model is trained using both X-ray and CT data. We report on
how such a multi-modal training improves the solution compared to X-ray only
training. The multi-modal solution increases the AUC (area under the receiver
operating characteristic curve) from 0.89 to 0.93 and also positively impacts
the Dice coefficient (0.59 to 0.62) for localizing the pathology. To the best
our knowledge, it is the first X-ray solution by leveraging multi-modal
information for the development.
- Abstract(参考訳): 新型コロナウイルス(covid-19)のパンデミックは世界人口の健康に影響を与え続けている。
CT(Computed tomography)やX線といった最前線のモダリティは、新型コロナウイルス患者のトリアージに重要な役割を果たす。
資源(ハードウェアと訓練員の両方)の限られたアクセスと汚染対策を考えると、CTは疑わしい被験者をトリアージするのに理想的ではないかもしれない。
人工知能(AI)によるトリアージとモニタリングのためのX線ベースの応用には、経験豊富な放射線学者が、ウイルス患者をタイムリーに識別し、疾患領域の境界をさらに明確にすることが必要である。
提案するソリューションは,産業や学術コミュニティの既存のソリューションと異なり,単一のx線画像を用いた参照によるトリアージのための機能的aiモデルを示し,ディープラーニングモデルはx線とctデータの両方を用いてトレーニングする。
このようなマルチモーダルトレーニングが,x線のみのトレーニングよりもソリューションを改善する方法について報告する。
マルチモーダル解はAUC(受信機動作特性曲線下の領域)を0.89から0.93に増加させ、またDice係数(0.59から0.62)に正の影響を与える。
我々の知る限りでは、それは開発にマルチモーダル情報を活用する最初のX線ソリューションである。
関連論文リスト
- UMedNeRF: Uncertainty-aware Single View Volumetric Rendering for Medical
Neural Radiance Fields [38.62191342903111]
生成した放射場に基づく不確実性を考慮したMedNeRF(UMedNeRF)ネットワークを提案する。
我々は,CTプロジェクションレンダリングの結果を1つのX線で示し,生成した放射場に基づく他の手法との比較を行った。
論文 参考訳(メタデータ) (2023-11-10T02:47:15Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - A Deep Learning Technique using a Sequence of Follow Up X-Rays for
Disease classification [3.3345134768053635]
深層学習技術を用いて肺と心臓の疾患を予測する能力は多くの研究者の中心である。
最新の胸部X線像3例の追跡歴を含む患者のX線像は, 疾患分類において良好な成績を示すと推定された。
論文 参考訳(メタデータ) (2022-03-28T19:58:47Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳(メタデータ) (2021-11-18T00:43:41Z) - 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) - 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) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - COVID-19 identification from volumetric chest CT scans using a
progressively resized 3D-CNN incorporating segmentation, augmentation, and
class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。
高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。
本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文 参考訳(メタデータ) (2021-02-11T18:16:18Z) - Evaluating the Clinical Realism of Synthetic Chest X-Rays Generated
Using Progressively Growing GANs [0.0]
胸部X線は多くの患者のワークアップに欠かせない道具である。
新たな診断ツールを開発するためには,ラベル付きデータの量を増やす必要がある。
これまでの研究は、イメージを合成してトレーニングデータを増強するクラス固有のGANを作成することで、これらの問題に対処しようとしてきた。
論文 参考訳(メタデータ) (2020-10-07T11:47:22Z) - Learning Invariant Feature Representation to Improve Generalization
across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。
対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文 参考訳(メタデータ) (2020-08-04T07:41:15Z) - Exploration of Interpretability Techniques for Deep COVID-19
Classification using Chest X-ray Images [10.01138352319106]
5種類のディープラーニングモデル(ResNet18、ResNet34、InceptionV3、InceptionResNetV2、DenseNet161)とそれらのEnsembleは、Chest X-Ray画像を用いて、新型コロナウイルス、肺炎、健康な被験者を分類するために使用されている。
新型コロナウイルスの分類における平均的なMicro-F1スコアは0.66から0.875の範囲で、ネットワークモデルのアンサンブルは0.89である。
論文 参考訳(メタデータ) (2020-06-03T22:55:53Z)
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。