論文の概要: CXR-Net: An Artificial Intelligence Pipeline for Quick Covid-19
Screening of Chest X-Rays
- arxiv url: http://arxiv.org/abs/2103.00087v1
- Date: Fri, 26 Feb 2021 23:45:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 09:44:17.795119
- Title: CXR-Net: An Artificial Intelligence Pipeline for Quick Covid-19
Screening of Chest X-Rays
- Title（参考訳）: CXR-Net:胸部X線スクリーニングのための人工知能パイプライン
- Authors: Haikal Abdulah, Benjamin Huber, Sinan Lal, Hassan Abdallah, Luigi L.
Palese, Hamid Soltanian-Zadeh, Domenico L. Gatti
- Abstract要約: CXR-Netは、胸部X線(CXR)からSARS-CoV-2を素早く検出するための2モジュール人工知能パイプラインである。
モジュール1は6395 cxrの公開データセットで訓練され、放射線科医は肺輪郭に注意を付けて、心臓と大血管を重複する肺のマスクを生成した。
モジュール2は、患者CXRとそれに対応する肺マスクをモジュール1で計算し、クラス割り当て(Covid vs. non-Covid)とSARS関連肺領域を識別する高分解能熱マップを出力する。
- 参考スコア（独自算出の注目度）: 0.4925906256430174
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: CXR-Net is a two-module Artificial Intelligence pipeline for the quick
detection of SARS-CoV-2 from chest X-rays (CXRs). Module 1 was trained on a
public dataset of 6395 CXRs with radiologist annotated lung contours to
generate masks of the lungs that overlap the heart and large vasa. Module 2 is
a hybrid convnet in which the first convolutional layer with learned
coefficients is replaced by a layer with fixed coefficients provided by the
Wavelet Scattering Transform (WST). Module 2 takes as inputs the patients CXRs
and corresponding lung masks calculated by Module 1, and produces as outputs a
class assignment (Covid vs. non-Covid) and high resolution heat maps that
identify the SARS associated lung regions. Module 2 was trained on a dataset of
CXRs from non-Covid and RT-PCR confirmed Covid patients acquired at the Henry
Ford Health System (HFHS) Hospital in Detroit. All non-Covid CXRs were from
pre-Covid era (2018-2019), and included images from both normal lungs and lungs
affected by non-Covid pathologies. Training and test sets consisted of 2265
CXRs (1417 Covid negative, 848 Covid positive), and 1532 CXRs (945 Covid
negative, 587 Covid positive), respectively. Six distinct cross-validation
models, each trained on 1887 images and validated against 378 images, were
combined into an ensemble model that was used to classify the CXR images of the
test set with resulting Accuracy = 0.789, Precision = 0.739, Recall = 0.693, F1
score = 0.715, ROC(AUC) = 0.852.
- Abstract（参考訳）: CXR-Netは、胸部X線(CXR)からSARS-CoV-2を素早く検出するための2モジュール人工知能パイプラインである。
モジュール1は6395 cxrの公開データセットで訓練され、放射線科医は肺輪郭に注意を付けて、心臓と大血管を重複する肺のマスクを生成した。
モジュール2は、学習係数を持つ最初の畳み込み層を、ウェーブレット散乱変換(WST)によって提供される固定係数の層に置き換えるハイブリッドコンベットである。
モジュール2は、患者CXRとそれに対応する肺マスクをモジュール1で計算し、クラス割り当て(Covid vs. non-Covid)とSARS関連肺領域を識別する高分解能熱マップを出力する。
モジュール2は、デトロイトのHenry Ford Health System(HFHS)病院で取得した非CovidおよびRT-PCRのCXRのデータセットで訓練された。
全ての非コビッドCXRは、コビッド前(2018-2019年)のもので、非コビッド病の影響を受ける正常な肺と肺の両方の画像を含んでいた。
トレーニングとテストセットはそれぞれ2265 CXR (1417 Covid negative, 848 Covid positive) と1532 CXR (945 Covid negative, 587 Covid positive) で構成されていた。
1887年の画像で訓練され、378の画像に対して検証された6つの異なるクロスバリデーションモデルがアンサンブルモデルに結合され、その結果、テストセットのCXRイメージを精度 = 0.789、精度 = 0.739、リコール = 0.693、F1スコア = 0.715、ROC(AUC) = 0.852で分類した。
関連論文リスト
- Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - CIRCA: comprehensible online system in support of chest X-rays-based
COVID-19 diagnosis [37.41181188499616]
深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。
5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。
The U-Net-based model was developed to identified a clinically relevant region of the CXR。
論文 参考訳（メタデータ） (2022-10-11T13:30:34Z) - COVIDx CXR-3: A Large-Scale, Open-Source Benchmark Dataset of Chest
X-ray Images for Computer-Aided COVID-19 Diagnostics [69.55060769611916]
RT-PCR検査の補助的スクリーニング戦略としての胸部X線撮影(CXR)の利用が増加している。
CXRイメージングに基づく新型コロナウイルススクリーニングのための多くの視覚知覚モデルが提案されている。
我々は、COVID-19コンピュータビジョン研究を支援するために、CXR画像の大規模なベンチマークデータセットであるCOVIDx CXR-3を紹介する。
論文 参考訳（メタデータ） (2022-06-08T04:39:44Z) - A novel unsupervised covid lung lesion segmentation based on the lung
tissue identification [0.0]
コビッド19のDL-CovidとDL-Normと呼ばれる2つのモデルと正常患者の2つのモデルが、肺組織同定のためのボクセル単位の確率マップを生成する。
コビッド病変を検出するために、コビッド患者のCT画像をDL-CovidモデルとDL-Normモデルで処理し、2つの肺確率マップを得る。
The probability map of the Covid infections could be generated through the subtraction of the two lung probability map obtained from the DL-Covid and DL-Norm model。
論文 参考訳（メタデータ） (2022-02-24T15:33:21Z) - 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) - FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。
FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。
FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文 参考訳（メタデータ） (2020-10-30T03:17:31Z) - 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) - Automatic classification between COVID-19 pneumonia, non-COVID-19
pneumonia, and the healthy on chest X-ray image: combination of data
augmentation methods [0.0]
CADxシステムの3カテゴリーの精度は、COVID-19肺炎、非COVID-19肺炎、健康な人の間で83.6%であった。
CADxシステムのソースコードは、COVID-19研究のためのオープンソースとして利用可能です。
論文 参考訳（メタデータ） (2020-06-01T05:34:53Z) - Multiple resolution residual network for automatic thoracic
organs-at-risk segmentation from CT [2.9023633922848586]
我々は,CT画像からのOAR分割のためのMRRN(Multiple resolution residual Network)の実装と評価を行った。
提案手法は,複数画像解像度で計算された特徴ストリームと残差接続による特徴レベルを同時に組み合わせる。
左肺, 心臓, 食道, 脊髄を分画する検査を35回行った肺がん患者206例の胸部CT検査を用いて, アプローチを訓練した。
論文 参考訳（メタデータ） (2020-05-27T22:39:09Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - Multi-Channel Transfer Learning of Chest X-ray Images for Screening of
COVID-19 [6.221369419104751]
現在、新型コロナウイルス患者をスクリーニングするための金本位試験はポリメラーゼ連鎖反応試験である。
代替として、胸部X線は迅速なスクリーニングのために検討されている。
本稿では、新型コロナウイルスの胸部X線診断を容易にするために、ResNetアーキテクチャに基づくマルチチャネルトランスファー学習モデルを提案する。
論文 参考訳（メタデータ） (2020-05-12T07:03:46Z)
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。