論文の概要: Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans
- arxiv url: http://arxiv.org/abs/2101.05442v2
- Date: Fri, 12 Feb 2021 05:02:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 09:52:25.877255
- Title: Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans
- Title（参考訳）: 胸部CTスキャンによるCOVID-19検出のための3次元ディープラーニングモデルの自動設計とベンチマーク
- Authors: Xin He, Shihao Wang, Xiaowen Chu, Shaohuai Shi, Jiangping Tang, Xin
Liu, Chenggang Yan, Jiyong Zhang, Guiguang Ding
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 72.04652116817238
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The COVID-19 pandemic has spread globally for several months. Because its
transmissibility and high pathogenicity seriously threaten people's lives, it
is crucial to accurately and quickly detect COVID-19 infection. Many recent
studies have shown that deep learning (DL) based solutions can help detect
COVID-19 based on chest CT scans. However, most existing work focuses on 2D
datasets, which may result in low quality models as the real CT scans are 3D
images. Besides, the reported results span a broad spectrum on different
datasets with a relatively unfair comparison. In this paper, we first use three
state-of-the-art 3D models (ResNet3D101, DenseNet3D121, and MC3\_18) to
establish the baseline performance on the three publicly available chest CT
scan datasets. Then we propose a differentiable neural architecture search
(DNAS) framework to automatically search for the 3D DL models for 3D chest CT
scans classification with the Gumbel Softmax technique to improve the searching
efficiency. We further exploit the Class Activation Mapping (CAM) technique on
our models to provide the interpretability of the results. The experimental
results show that our automatically searched models (CovidNet3D) outperform the
baseline human-designed models on the three datasets with tens of times smaller
model size and higher accuracy. Furthermore, the results also verify that CAM
can be well applied in CovidNet3D for COVID-19 datasets to provide
interpretability for medical diagnosis.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、数カ月にわたって世界中に広がった。
その透過性と高い病原性は人々の生命を脅かすため、正確かつ迅速に新型コロナウイルスの感染を検知することが重要である。
近年の研究では、ディープラーニング(DL)ベースのソリューションが、胸部CTスキャンに基づく新型コロナウイルスの検出に役立つことが示されている。
しかし、既存の研究のほとんどは2Dデータセットに焦点を当てており、実際のCTスキャンは3D画像であるため、品質の低いモデルになる可能性がある。
さらに、報告された結果は、比較的不公平な比較で異なるデータセットの幅広いスペクトルにまたがっている。
本稿では,まず最先端3Dモデル(ResNet3D101,DenseNet3D121,MC3\_18)を用いて,3つの胸部CTスキャンデータセットのベースライン性能を確立する。
そこで我々は,Gumbel Softmax法を用いて3次元胸部CTスキャンのための3次元DLモデルを自動的に検索し,探索効率を向上させるために,識別可能なニューラルアーキテクチャ探索(DNAS)フレームワークを提案する。
さらに、モデル上でのクラス活性化マッピング(CAM)技術を活用し、結果の解釈可能性を提供する。
実験の結果, 自動検索モデル(CovidNet3D)は, モデルサイズが数十倍小さく, 精度が高い3つのデータセット上で, ベースラインの人間設計モデルよりも優れていた。
さらに、CAMがCOVID-19データセットのCovidNet3Dにうまく適用でき、診断の解釈が可能であることも確認された。
関連論文リスト
- 3D-CT-GPT: Generating 3D Radiology Reports through Integration of Large Vision-Language Models [51.855377054763345]
本稿では,VQAに基づく医用視覚言語モデルである3D-CT-GPTについて紹介する。
パブリックデータセットとプライベートデータセットの両方の実験により、3D-CT-GPTはレポートの正確さと品質という点で既存の手法を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2024-09-28T12:31:07Z) - Diff3Dformer: Leveraging Slice Sequence Diffusion for Enhanced 3D CT Classification with Transformer Networks [5.806035963947936]
拡散型3次元視覚変換器(Diff3Dformer)を提案する。
本手法は, 肺CTの2種類の小さなデータセットに対して, 改良された性能を示す。
論文 参考訳（メタデータ） (2024-06-24T23:23:18Z) - 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。
拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。
さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
論文 参考訳（メタデータ） (2023-11-07T23:46:41Z) - An Ensemble Deep Learning Approach for COVID-19 Severity Prediction
Using Chest CT Scans [8.512389316218943]
胸部CTによる重症度予測について検討した。
我々は複数のニューラルネットワークを組み込んで予測を改善するアンサンブル深層学習モデルを開発した。
論文 参考訳（メタデータ） (2023-05-17T10:43:15Z) - Video Pretraining Advances 3D Deep Learning on Chest CT Tasks [63.879848037679224]
大規模自然画像分類データセットの事前学習は、データスカース2D医療タスクのモデル開発に役立っている。
これらの2Dモデルは、3Dコンピュータビジョンベンチマークで3Dモデルに勝っている。
3Dモデルのためのビデオ事前トレーニングにより、より小さなデータセットでより高性能な3D医療タスクを実現することができることを示す。
論文 参考訳（メタデータ） (2023-04-02T14:46:58Z) - Explainable and Lightweight Model for COVID-19 Detection Using Chest
Radiology Images [0.0]
畳み込みニューラルネットワーク(CNN)は、大量のデータをトレーニングする際の画像解析タスクに適している。
新型コロナウイルス(COVID-19)の検出のために提案されたツールのほとんどは、高い感度とリコールを持っているが、目に見えないデータセットでのテストでは、一般化と実行に失敗している。
本研究は,提案モデルの成功と失敗について,画像レベルで詳細に考察する。
論文 参考訳（メタデータ） (2022-12-28T11:48:29Z) - 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) - Efficient Multi-objective Evolutionary 3D Neural Architecture Search for
COVID-19 Detection with Chest CT Scans [25.03394794744372]
本稿では,3次元ニューラルアーキテクチャの自動探索が可能な,効率的な多目的ニューラルARchitecture Searchフレームワークを提案する。
フレームワーク内では、重量共有戦略を使用して検索効率を大幅に改善し、8時間で検索プロセスを完了します。
精度、ポテンシャル、モデルサイズの目的は、3つのベースラインの人間設計モデルを上回る軽量モデル(3.39MB)を見つけることである。
論文 参考訳（メタデータ） (2021-01-26T09:52:42Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - 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)
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。