Fugu-MT 論文翻訳(概要): A two-step explainable approach for COVID-19 computer-aided diagnosis from chest x-ray images

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。

関連論文リスト

Transparent and Clinically Interpretable AI for Lung Cancer Detection in Chest X-Rays [2.380494879018844]
既存のポストホックXAI技術は医療データに乏しいことが示されている。本稿では,臨床概念を分類パイプラインに導入した概念ボトルネックモデルに基づくアンテホックなアプローチを提案する。本手法は, ベースライン深層学習モデルと比較して, 肺癌検出における分類性能の向上を図っている。
論文参考訳（メタデータ） (2024-03-28T14:15:13Z)
COVID-19 Diagnosis: ULGFBP-ResNet51 approach on the CT and the Chest X-ray Images Classification [3.683202928838613]
画像中の新型コロナウイルスの診断に対処するため,ULGFBP-ResNet51と呼ばれる新しい手法を提案する。その結果,本手法は他の手法と比較して優れた性能を示し,最大精度が得られた。
論文参考訳（メタデータ） (2023-12-20T09:39:53Z)
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)
Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文参考訳（メタデータ） (2022-08-22T13:57:04Z)
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)
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)
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)
A comparison of deep machine learning algorithms in COVID-19 disease diagnosis [4.636229382827605]
この研究の目的は、画像認識の問題を解決するためにディープニューラルネットワークモデルを使用することである。本研究は、現代の機械学習技術を用いて、新型コロナウイルスの疑いのある患者の診断にX線画像を用いている。
論文参考訳（メタデータ） (2020-08-25T10:51:54Z)
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)
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)
COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images [93.0013343535411]
我々は,胸部X線(CXR)画像から新型コロナウイルスの症例を検出するための,深層畳み込みニューラルネットワーク設計であるCOVID-Netを紹介した。著者たちの知る限りでは、COVID-NetはCXRイメージからCOVID-19を検出するための、最初のオープンソースネットワーク設計の1つである。また,13,870人の患者を対象に,13,975個のCXR画像からなるオープンアクセスベンチマークデータセットであるCOVIDxも導入した。
論文参考訳（メタデータ） (2020-03-22T12:26:36Z)

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。