論文の概要: A two-step explainable approach for COVID-19 computer-aided diagnosis
from chest x-ray images
- arxiv url: http://arxiv.org/abs/2101.10223v1
- Date: Mon, 25 Jan 2021 16:35:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-15 03:04:29.637474
- Title: A two-step explainable approach for COVID-19 computer-aided diagnosis
from chest x-ray images
- Title(参考訳): 胸部X線画像を用いたCOVID-19コンピュータ支援診断の2段階的検討
- Authors: Carlo Alberto Barbano, Enzo Tartaglione, Claudio Berzovini, Marco
Calandri, Marco Grangetto
- Abstract要約: Chest X-Ray (CXR)イメージングを早期スクリーニングに使用すると、より高速で正確な応答が得られます。
肺の既知の病理(腺腫)を最初に検出する,説明可能な2段階の診断アプローチを提案する。
- 参考スコア(独自算出の注目度): 5.480546613836199
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early screening of patients is a critical issue in order to assess immediate
and fast responses against the spread of COVID-19. The use of nasopharyngeal
swabs has been considered the most viable approach; however, the result is not
immediate or, in the case of fast exams, sufficiently accurate. Using Chest
X-Ray (CXR) imaging for early screening potentially provides faster and more
accurate response; however, diagnosing COVID from CXRs is hard and we should
rely on deep learning support, whose decision process is, on the other hand,
"black-boxed" and, for such reason, untrustworthy. We propose an explainable
two-step diagnostic approach, where we first detect known pathologies
(anomalies) in the lungs, on top of which we diagnose the illness. Our approach
achieves promising performance in COVID detection, compatible with expert human
radiologists. All of our experiments have been carried out bearing in mind
that, especially for clinical applications, explainability plays a major role
for building trust in machine learning algorithms.
- Abstract(参考訳): 患者の早期スクリーニングは、新型コロナウイルスの感染拡大に対する即時かつ迅速な対応を評価するために重要な問題です。
鼻咽頭の綿棒の使用は最も実行可能なアプローチと考えられていますが、結果は即時ではなく、高速試験の場合、十分に正確です。
早期スクリーニングにChest X-Ray (CXR)イメージングを使用することは、より速く、より正確な応答を提供する可能性があります。しかし、CXRからのCOVIDの診断は困難であり、その決定プロセスであるディープラーニングのサポートに頼る必要があります。
肺の既知の病理(異常)を最初に検出し、その上に病気を診断する説明可能な2段階の診断アプローチを提案します。
私たちのアプローチは、専門家の放射線科医と互換性のあるCOVID検出で有望なパフォーマンスを達成します。
私たちの実験はすべて、特に臨床応用において、説明可能性が機械学習アルゴリズムの信頼を構築する上で重要な役割を果たすことを念頭において行われました。
- 全文 参考訳へのリンク
関連論文リスト
- POTHER: Patch-Voted Deep Learning-based Chest X-ray Bias Analysis for
COVID-19 Detection [10.516962652888989]
多くの研究が、深層学習を用いて胸部X線で新型コロナウイルスを正確に検出したと報告している。
モデル決定は、医学的病理学ではなく、相反する要因に依存する可能性があることを実証する。
負の影響を最小限に抑える新しい方法を提案する。
論文 参考訳(メタデータ) (2022-01-23T20:35:45Z) - Challenges in COVID-19 Chest X-Ray Classification: Problematic Data or
Ineffective Approaches? [0.0]
胸部X線写真から新型コロナウイルスの感染を分類し、検出するための深層学習。
本研究では,データと機械学習の両方の観点から,信頼性の高いAIソリューションを作成する上で直面する課題について検討する。
論文 参考訳(メタデータ) (2022-01-16T14:12:04Z) - A novel framework based on deep learning and ANOVA feature selection
method for diagnosis of COVID-19 cases from chest X-ray Images [0.0]
新型コロナウイルスは武漢で最初に確認され、急速に世界中に広がった。
最もアクセスしやすい方法はRT-PCRである。
RT-PCRと比較すると,胸部CTと胸部X線像が優れた結果を示した。
DenseNet169はX線画像から特徴を抽出するために使用された。
論文 参考訳(メタデータ) (2021-09-30T16:10:31Z) - 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) - Covid-19 diagnosis from x-ray using neural networks [0.0]
コロナウイルスや新型コロナウイルス(COVID-19)はパンデミックの病気であり、世界中で何百万もの因果関係に影響を与えている。
本稿では,進行胸部X線画像からのCOVID-19のプログラム認識手法を提案する。
論文 参考訳(メタデータ) (2021-05-29T16:12:15Z) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳(メタデータ) (2021-05-18T11:37:57Z) - COVID-Net CXR-2: An Enhanced Deep Convolutional Neural Network Design
for Detection of COVID-19 Cases from Chest X-ray Images [58.35627258364233]
RT-PCR検査への無料スクリーニング戦略として胸部X線(CXR)イメージングの使用は成長し続けています。
我々は、CXR画像からCOVID-19を検出するため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 CXR-2を紹介する。
ベンチマークデータセットは、少なくとも51カ国16,656人の多国籍コホートから19,203個のCXR画像で構成された。
論文 参考訳(メタデータ) (2021-05-14T04:29:21Z) - COVID-19 Detection from Chest X-ray Images using Imprinted Weights
Approach [67.05664774727208]
胸部X線撮影は、COVID-19の代替スクリーニング方法です。
コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。
この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
論文 参考訳(メタデータ) (2021-05-04T19:01:40Z) - COVID-Net CXR-S: Deep Convolutional Neural Network for Severity
Assessment of COVID-19 Cases from Chest X-ray Images [74.77272804752306]
胸部CXR画像に基づくSARS-CoV-2陽性患者の空間重症度を予測する畳み込みニューラルネットワークであるCOVID-Net CXR-Sについて紹介する。
患者15,000人以上の多国籍コホートから得られた16,000以上のCXR画像から得られた表現的知識を,重症度評価のためのカスタムネットワークアーキテクチャへ伝達する。
提案したCXR-Sは、新型コロナウイルス陽性患者のCXR画像のコンピュータ支援による重症度評価のための強力なツールとなる可能性がある。
論文 参考訳(メタデータ) (2021-05-01T14:15:12Z) - 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) - Deep Learning in Detection and Diagnosis of Covid-19 using Radiology
Modalities: A Systematic Review [0.0]
Covid-19の早期発見と診断は、Covid-19の流行の主な課題の1つです。
医学とコンピュータの研究者は、放射線画像の分析に機械学習モデルを使う傾向があった。
ディープラーニングベースモデルには、Covid-19の検出と診断のための正確で効率的なシステムを実現する並外れた能力があります。
論文 参考訳(メタデータ) (2020-12-21T18:54:01Z)
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。