論文の概要: Ultrasound Diagnosis of COVID-19: Robustness and Explainability
- arxiv url: http://arxiv.org/abs/2012.01145v1
- Date: Mon, 30 Nov 2020 20:26:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 18:35:25.844101
- Title: Ultrasound Diagnosis of COVID-19: Robustness and Explainability
- Title（参考訳）: 超音波検査によるcovid-19診断 : 堅牢性と説明可能性
- Authors: Jay Roberts, Theodoros Tsiligkaridis
- Abstract要約: 新型コロナウイルスの診断は、世界的なパンデミックの封じ込めに不可欠だ。
これまでの研究では、POCUSビデオの公開データセットを使用して、高感度の診断のためのAIモデルをトレーニングしてきた。
高利得の応用のため、我々は堅牢で説明可能な手法を提案する。
- 参考スコア（独自算出の注目度）: 1.2183405753834557
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diagnosis of COVID-19 at point of care is vital to the containment of the
global pandemic. Point of care ultrasound (POCUS) provides rapid imagery of
lungs to detect COVID-19 in patients in a repeatable and cost effective way.
Previous work has used public datasets of POCUS videos to train an AI model for
diagnosis that obtains high sensitivity. Due to the high stakes application we
propose the use of robust and explainable techniques. We demonstrate
experimentally that robust models have more stable predictions and offer
improved interpretability. A framework of contrastive explanations based on
adversarial perturbations is used to explain model predictions that aligns with
human visual perception.
- Abstract（参考訳）: 新型コロナウイルス(covid-19)の診断は、世界的なパンデミックの封じ込めに不可欠である。
ポイント・オブ・ケア・超音波(pocus)は、肺の迅速な画像を提供し、繰り返しかつ費用対効果の高い方法で患者のcovid-19を検出する。
これまでの研究では、POCUSビデオの公開データセットを使用して、高感度の診断のためのAIモデルをトレーニングしてきた。
高利得の応用のため、我々は堅牢で説明可能な手法を提案する。
我々は、ロバストモデルがより安定した予測を持ち、解釈性の向上をもたらすことを実験的に実証する。
逆摂動に基づく対比的説明の枠組みは、人間の視覚知覚と整合するモデル予測を説明するために用いられる。
関連論文リスト
- Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - Toward Robust Diagnosis: A Contour Attention Preserving Adversarial
Defense for COVID-19 Detection [10.953610196636784]
本稿では,肺腔エッジ抽出に基づく Contour Attention Preserving (CAP) 法を提案する。
実験結果から, 本手法は, 複数の対角防御および一般化タスクにおいて, 最先端の性能を実現することが示唆された。
論文 参考訳（メタデータ） (2022-11-30T08:01:23Z) - A Novel Implementation of Machine Learning for the Efficient,
Explainable Diagnosis of COVID-19 from Chest CT [0.0]
本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。
提案したモデルは0.927の総合精度と0.958の感度を得た。
論文 参考訳（メタデータ） (2022-06-15T18:35:22Z) - Hierarchical Analysis of Visual COVID-19 Features from Chest Radiographs [5.832030105874915]
我々は, 放射線学的決定プロセスと整合した, 人間の解釈可能なクラス階層を用いて, 放射線学的特徴をモデル化する。
実験により、モデル故障は、ICU撮像条件と非常に相関し、特定の種類の放射線学的特徴を識別することが本質的に困難であることが示されている。
論文 参考訳（メタデータ） (2021-07-14T11:37:28Z) - COVIDx-US -- An open-access benchmark dataset of ultrasound imaging data
for AI-driven COVID-19 analytics [116.6248556979572]
COVIDx-USは、新型コロナウイルス関連超音波画像データのオープンアクセスベンチマークデータセットです。
肺超音波93本と,SARS-CoV-2肺炎,非SARS-CoV-2肺炎,健康管理症例10,774本からなる。
論文 参考訳（メタデータ） (2021-03-18T03:31:33Z) - Diagnosis/Prognosis of COVID-19 Images: Challenges, Opportunities, and
Applications [27.46013010011658]
新型コロナウイルス(covid-19)は、われわれが2020年に知っていたように急速に世界を変えた。
これは一般には解析疫学や特定の信号処理理論に対する最も先行しない挑戦となる。
このパンデミックを克服し、将来の可能性に備えるために、効率的な処理/学習モデルを開発することが重要である。
論文 参考訳（メタデータ） (2020-12-28T05:38:44Z) - Accelerating COVID-19 Differential Diagnosis with Explainable Ultrasound
Image Analysis [7.471424290647929]
われわれは106本のビデオからなる新型コロナウイルスの肺超音波(US)データセットを公開している。
我々は、フレームベースの畳み込みニューラルネットワークを提案し、COVID-19 USビデオの感度0.98+0.04、特異度0.91+-08で正しく分類する。
論文 参考訳（メタデータ） (2020-09-13T23:52:03Z) - 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) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - 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) - 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)
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。