論文の概要: MAVIDH Score: A COVID-19 Severity Scoring using Chest X-Ray Pathology
Features
- arxiv url: http://arxiv.org/abs/2011.14983v3
- Date: Tue, 2 Feb 2021 13:01:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 00:49:22.462052
- Title: MAVIDH Score: A COVID-19 Severity Scoring using Chest X-Ray Pathology
Features
- Title(参考訳): MAVIDHスコア:胸部X線像を用いた重症度検査
- Authors: Douglas P. S. Gomes, Michael J. Horry, Anwaar Ulhaq, Manoranjan Paul,
Subrata Chakraborty, Manash Saha, Tanmoy Debnath, D.M. Motiur Rahaman
- Abstract要約: コンピュータビジョンの新型コロナウイルス診断への応用は複雑で難しい。
新型コロナウイルスの医療画像の最大の価値は、むしろ患者の予後にある。
胸部X線から疾患重症度を評価するための肺病理学的特徴に基づく簡易な方法を提案する。
- 参考スコア(独自算出の注目度): 10.671315906986754
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The application of computer vision for COVID-19 diagnosis is complex and
challenging, given the risks associated with patient misclassifications.
Arguably, the primary value of medical imaging for COVID-19 lies rather on
patient prognosis. Radiological images can guide physicians assessing the
severity of the disease, and a series of images from the same patient at
different stages can help to gauge disease progression. Hence, a simple method
based on lung-pathology interpretable features for scoring disease severity
from Chest X-rays is proposed here. As the primary contribution, this method
correlates well to patient severity in different stages of disease progression
with competitive results compared to other existing, more complex methods. An
original data selection approach is also proposed, allowing the simple model to
learn the severity-related features. It is hypothesized that the resulting
competitive performance presented here is related to the method being
feature-based rather than reliant on lung involvement or opacity as others in
the literature. A second contribution comes from the validation of the results,
conceptualized as the scoring of patients groups from different stages of the
disease. Besides performing such validation on an independent data set, the
results were also compared with other proposed scoring methods in the
literature. The results show that there is a significant correlation between
the scoring system (MAVIDH) and patient outcome, which could potentially help
physicians rating and following disease progression in COVID-19 patients.
- Abstract(参考訳): 患者の誤分類に関連するリスクを考えると、コンピュータビジョンのCOVID-19診断への応用は複雑で困難である。
おそらく、covid-19の医療画像化の主要な価値は患者の予後にある。
放射線画像は、病気の重症度を評価する医師を誘導し、同じ患者の異なる段階における一連の画像は、疾患の進行を評価するのに役立つ。
そこで,胸部x線から疾患の重症度を判定するための肺病理学的特徴に基づく簡便な方法を提案する。
この方法は, 疾患進行の異なる段階における患者の重症度と, 既存のより複雑な方法と比較して, 競争的な結果によく相関する。
元のデータ選択アプローチも提案されており、単純なモデルで重大性に関する特徴を学習することができる。
ここで示される競争的パフォーマンスは、他の文献のように肺への関与や不透明さに依存するのではなく、機能ベースである方法に関係していると仮定されている。
第2の貢献は、疾患の異なる段階の患者グループのスコアとして概念化された結果の検証である。
独立データセット上でこのような検証を行うのに加えて,文献における他の評価手法と比較した。
以上の結果から,診断システム(MAVIDH)と患者の予後との間に有意な相関関係があることが示唆された。
関連論文リスト
- Expert Uncertainty and Severity Aware Chest X-Ray Classification by
Multi-Relationship Graph Learning [48.29204631769816]
我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。
以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2023-09-06T19:19:41Z) - U-GAT: Multimodal Graph Attention Network for COVID-19 Outcome
Prediction [31.26241022394112]
新型コロナウイルス(COVID-19)の最初の波で、病院は多数の入院患者に圧倒された。
画像情報と非画像情報を組み合わせた全体論的なグラフベースのアプローチは、早期の予後を可能にする可能性がある。
本稿では,患者をクラスタリングするための人口グラフを構築するためのマルチモーダル類似度指標と,このグラフを処理するための画像ベースのエンドツーエンドグラフ注意ネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-29T12:00:54Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳(メタデータ) (2021-05-25T12:06:55Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - Longitudinal Quantitative Assessment of COVID-19 Infection Progression
from Chest CTs [36.71379097297172]
ボクセルレベルの感染を識別し、新型コロナウイルスの進行を可視化する新しい枠組みを提案する。
特に,参照スキャン情報を利用した縦断セグメンテーションネットワークを考案し,疾患識別の性能を向上させる。
論文 参考訳(メタデータ) (2021-03-12T12:35:11Z) - Classification supporting COVID-19 diagnostics based on patient survey
data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。
得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。
このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文 参考訳(メタデータ) (2020-11-24T17:44:01Z) - Potential Features of ICU Admission in X-ray Images of COVID-19 Patients [8.83608410540057]
本稿では,患者ICU入院ラベルを用いたデータセットから,重症度と相関する意味的特徴を抽出する手法を提案する。
この手法は、肺の病態を認識して意味的特徴を抽出するために訓練されたニューラルネットワークを使用する。
この方法では、学習した特徴の画像を選択でき、肺内の一般的な位置に関する情報を翻訳することができる。
論文 参考訳(メタデータ) (2020-09-26T13:48:39Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳(メタデータ) (2020-07-20T19:08:50Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳(メタデータ) (2020-05-06T15:19:15Z) - 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) - Towards an Effective and Efficient Deep Learning Model for COVID-19
Patterns Detection in X-ray Images [2.21653002719733]
本研究の主な目的は、胸部X線検査における新型コロナウイルススクリーニングの問題に対して、正確かつ効率的な方法を提案することである。
13,569枚のX線画像のデータセットを、健康な非新型コロナウイルス患者と新型コロナウイルス患者に分けて、提案したアプローチを訓練する。
結果: 提案手法により, 全体の精度93.9%, COVID-19, 感度96.8%, 正の予測100%の高品質モデルが得られた。
論文 参考訳(メタデータ) (2020-04-12T23:26:56Z)
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。