論文の概要: A novel multiple instance learning framework for COVID-19 severity
assessment via data augmentation and self-supervised learning
- arxiv url: http://arxiv.org/abs/2102.03837v1
- Date: Sun, 7 Feb 2021 16:30:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-09 15:26:32.120818
- Title: A novel multiple instance learning framework for COVID-19 severity
assessment via data augmentation and self-supervised learning
- Title（参考訳）: データ増強と自己監督学習による新型コロナ重症度評価のための新しい複数インスタンス学習フレームワーク
- Authors: Zekun Li, Wei Zhao, Feng Shi, Lei Qi, Xingzhi Xie, Ying Wei,
Zhongxiang Ding, Yang Gao, Shangjie Wu, Jun Liu, Yinghuan Shi, Dinggang Shen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 64.90342559393275
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: How to fast and accurately assess the severity level of COVID-19 is an
essential problem, when millions of people are suffering from the pandemic
around the world. Currently, the chest CT is regarded as a popular and
informative imaging tool for COVID-19 diagnosis. However, we observe that there
are two issues -- weak annotation and insufficient data that may obstruct
automatic COVID-19 severity assessment with CT images. To address these
challenges, we propose a novel three-component method, i.e., 1) a deep multiple
instance learning component with instance-level attention to jointly classify
the bag and also weigh the instances, 2) a bag-level data augmentation
component to generate virtual bags by reorganizing high confidential instances,
and 3) a self-supervised pretext component to aid the learning process. We have
systematically evaluated our method on the CT images of 229 COVID-19 cases,
including 50 severe and 179 non-severe cases. Our method could obtain an
average accuracy of 95.8%, with 93.6% sensitivity and 96.4% specificity, which
outperformed previous works.
- Abstract（参考訳）: 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とき、不可欠な問題です。
現在、胸部CTは新型コロナウイルスの診断に人気があり、有益な画像診断ツールとされている。
しかし、ct画像によるcovid-19自動重症度評価を阻害す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。
そこで本研究では,この3つの課題を解決するために,(1)バッグを共同分類し,また,インスタンスを計量するインスタンスレベルの深いインスタンス学習コンポーネント,2)高機密インスタンスを再構成して仮想バッグを生成するバッグレベルのデータ拡張コンポーネント,3)学習プロセスを支援する自己監視型プリテキストコンポーネントという,新しい3つのコンポーネントの手法を提案する。
重症例50例,非重症例179例を含む229例のCT画像について体系的に検討した。
平均精度は95.8%,感度93.6%,特異度96.4%であり,従来よりも優れていた。
関連論文リスト
- 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) - Classification of COVID-19 Patients with their Severity Level from Chest
CT Scans using Transfer Learning [3.667495151642095]
新型コロナウイルスの感染拡大を受け、病院のベッドなど医療機器の需要が高まっている。
これを念頭に置いて、私たちは新型コロナウイルスの検出と、胸部CTスキャンとDeep Learning事前訓練モデルを用いて重症度を評価する研究を共有しています。
私たちのモデルは、新型コロナウイルスとその重症度を検出するのに役立ちます。
論文 参考訳（メタデータ） (2022-05-27T06:22:09Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - 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) - Automated Chest CT Image Segmentation of COVID-19 Lung Infection based
on 3D U-Net [0.0]
新型コロナウイルス(COVID-19)は世界中の何十億もの生命に影響を与え、公衆医療に大きな影響を与えている。
新型コロナウイルス感染地域のための革新的な自動セグメンテーションパイプラインを提案する。
本手法は,複数の前処理手法を実行することにより,一意およびランダムな画像パッチをオンザフライで生成する訓練に焦点をあてる。
論文 参考訳（メタデータ） (2020-06-24T17:29:26Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳（メタデータ） (2020-05-08T03:16:15Z) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳（メタデータ） (2020-04-15T12:30:40Z) - Towards an Effective and Efficient Deep Learning Model for COVID-19
Patterns Detection in X-ray Images [2.21653002719733]
本研究の主な目的は、胸部X線検査における新型コロナウイルススクリーニングの問題に対して、正確かつ効率的な方法を提案することである。
13,569枚のX線画像のデータセットを、健康な非新型コロナウイルス患者と新型コロナウイルス患者に分けて、提案したアプローチを訓練する。
結果: 提案手法により, 全体の精度93.9%, COVID-19, 感度96.8%, 正の予測100%の高品質モデルが得られた。
論文 参考訳（メタデータ） (2020-04-12T23:26:56Z) - Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using
Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。
ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。
新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文 参考訳（メタデータ） (2020-03-26T15:49:32Z)
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。