論文の概要: COVID-MTL: Multitask Learning with Shift3D and Random-weighted Loss for
Automated Diagnosis and Severity Assessment of COVID-19
- arxiv url: http://arxiv.org/abs/2012.05509v3
- Date: Thu, 31 Dec 2020 14:27:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 20:22:32.345778
- Title: COVID-MTL: Multitask Learning with Shift3D and Random-weighted Loss for
Automated Diagnosis and Severity Assessment of COVID-19
- Title（参考訳）: COVID-MTL: 自動診断と重症度評価のためのShift3Dとランダム強調損失を用いたマルチタスク学習
- Authors: Guoqing Bao, Huai Chen, Tongliang Liu, Guanzhong Gong, Yong Yin,
Lisheng Wang and Xiuying Wang
- Abstract要約: 新型コロナウイルスの正確かつ効果的な評価を支援する自動化方法が緊急に必要である。
我々は,放射線学とNATの両方において,自動かつ同時検出と重症度評価が可能なエンドツーエンドマルチタスク学習フレームワーク(COVID-MTL)を提案する。
- 参考スコア（独自算出の注目度）: 39.57518533765393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There is an urgent need for automated methods to assist accurate and
effective assessment of COVID-19. Radiology and nucleic acid test (NAT) are
complementary COVID-19 diagnosis methods. In this paper, we present an
end-to-end multitask learning (MTL) framework (COVID-MTL) that is capable of
automated and simultaneous detection (against both radiology and NAT) and
severity assessment of COVID-19. COVID-MTL learns different COVID-19 tasks in
parallel through our novel random-weighted loss function, which assigns
learning weights under Dirichlet distribution to prevent task dominance; our
new 3D real-time augmentation algorithm (Shift3D) introduces space variances
for 3D CNN components by shifting low-level feature representations of
volumetric inputs in three dimensions; thereby, the MTL framework is able to
accelerate convergence and improve joint learning performance compared to
single-task models. By only using chest CT scans, COVID-MTL was trained on 930
CT scans and tested on separate 399 cases. COVID-MTL achieved AUCs of 0.939 and
0.846, and accuracies of 90.23% and 79.20% for detection of COVID-19 against
radiology and NAT, respectively, which outperformed the state-of-the-art
models. Meanwhile, COVID-MTL yielded AUC of 0.800 $\pm$ 0.020 and 0.813 $\pm$
0.021 (with transfer learning) for classifying control/suspected, mild/regular,
and severe/critically-ill cases. To decipher the recognition mechanism, we also
identified high-throughput lung features that were significantly related (P <
0.001) to the positivity and severity of COVID-19.
- Abstract（参考訳）: 新型コロナウイルスの正確かつ効果的な評価を支援する自動化方法が緊急に必要である。
放射線学と核酸検査(NAT)は、補完的な新型コロナウイルスの診断方法である。
本稿では,自動かつ同時検出が可能なMTL(End-to-end Multitask Learning)フレームワークを提案する。
COVID-MTL learns different COVID-19 tasks in parallel through our novel random-weighted loss function, which assigns learning weights under Dirichlet distribution to prevent task dominance; our new 3D real-time augmentation algorithm (Shift3D) introduces space variances for 3D CNN components by shifting low-level feature representations of volumetric inputs in three dimensions; thereby, the MTL framework is able to accelerate convergence and improve joint learning performance compared to single-task models.
胸部CT検査のみを用いることで,930例のCTでCOVID-MTLを訓練し,399例の検査を行った。
COVID-MTL は 0.939 と 0.846 の AUC を達成し、それぞれ 90.23% と 79.20% の AUC を放射線学とNAT に対して検出した。
一方、COVID-MTL は AUC を 0.800 $\pm$ 0.020 と 0.813 $\pm$ 0.021 とし、制御/検査、軽度/規則的、重度/致命的なケースを分類した。
認識機構を解明するために,HIVの陽性度と重症度と有意な関連性(P < 0.001)を有する高スループット肺の特徴も同定した。
関連論文リスト
- Auto-Lesion Segmentation with a Novel Intensity Dark Channel Prior for
COVID-19 Detection [0.24578723416255752]
本研究は,他の肺疾患との鑑別を目的としたCTベースの放射線治療フレームワークを開発した。
画像は、新型コロナウイルス(COVID-19)、非新型コロナウイルス(non-COVID-19)、または正常の3つのクラスに分類される。
最高の性能分類モデルであるResidual Neural Network(Resnet-50)は、平均精度、精度、リコール、F1スコアが98.8%、99%、98%、98%に達した。
論文 参考訳（メタデータ） (2023-09-22T06:09:48Z) - 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) - 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) - A novel multiple instance learning framework for COVID-19 severity
assessment via data augmentation and self-supervised learning [64.90342559393275]
新型コロナウイルスの重症度を迅速かつ正確に評価する方法は、世界中の何百万人もの人々がパンデミックに苦しんでいる場合に必要不可欠な問題だ。
CT画像による新型コロナウイルスの重症度自動評価を妨害する可能性のある、弱いアノテーションと不十分なデータという2つの問題があることを観察する。
平均精度は95.8%で、感度は93.6%、特異性は96.4%で、前作より優れていた。
論文 参考訳（メタデータ） (2021-02-07T16:30:18Z) - Classification of COVID-19 X-ray Images Using a Combination of Deep and
Handcrafted Features [0.0]
私たちは、X線胸部スキャンから抽出された深い畳み込みと手作業の機能を組み合わせて、健康で一般的な肺炎、およびCOVID-19患者を識別します。
SVM と CNN のハンドクラフト特徴に対して, 0.963 と 0.983 との組み合わせによる分類作業において 0.988 の精度を実現した。
論文 参考訳（メタデータ） (2021-01-19T21:09:46Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳（メタデータ） (2021-01-14T03:45:01Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - 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) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Machine Learning Automatically Detects COVID-19 using Chest CTs in a
Large Multicenter Cohort [43.99203831722203]
16施設2096例の胸部CT検査を行った。
新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。
深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
論文 参考訳（メタデータ） (2020-06-09T00:40:35Z)
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。