論文の概要: Vision Transformer for COVID-19 CXR Diagnosis using Chest X-ray Feature
Corpus
- arxiv url: http://arxiv.org/abs/2103.07055v1
- Date: Fri, 12 Mar 2021 03:07:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-15 13:28:42.461871
- Title: Vision Transformer for COVID-19 CXR Diagnosis using Chest X-ray Feature
Corpus
- Title（参考訳）: 胸部X線特徴コーパスを用いたCOVID-19 CXR診断用視覚変換器
- Authors: Sangjoon Park, Gwanghyun Kim, Yujin Oh, Joon Beom Seo, Sang Min Lee,
Jin Hwan Kim, Sungjun Moon, Jae-Kwang Lim, Jong Chul Ye
- Abstract要約: 世界的なCOVID-19危機下では、CXRを用いた新型コロナウイルスの堅牢な診断アルゴリズムの開発は、よく調達されたCOVID-19データセットの欠如によって妨げられている。
異常なCXR特徴を抽出するために得られた低レベルCXR特徴コーパスを用いて、新しいビジョントランスフォーマーを提案する。
- 参考スコア（独自算出の注目度）: 25.144248675578286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Under the global COVID-19 crisis, developing robust diagnosis algorithm for
COVID-19 using CXR is hampered by the lack of the well-curated COVID-19 data
set, although CXR data with other disease are abundant. This situation is
suitable for vision transformer architecture that can exploit the abundant
unlabeled data using pre-training. However, the direct use of existing vision
transformer that uses the corpus generated by the ResNet is not optimal for
correct feature embedding. To mitigate this problem, we propose a novel vision
Transformer by using the low-level CXR feature corpus that are obtained to
extract the abnormal CXR features. Specifically, the backbone network is
trained using large public datasets to obtain the abnormal features in routine
diagnosis such as consolidation, glass-grass opacity (GGO), etc. Then, the
embedded features from the backbone network are used as corpus for vision
transformer training. We examine our model on various external test datasets
acquired from totally different institutions to assess the generalization
ability. Our experiments demonstrate that our method achieved the state-of-art
performance and has better generalization capability, which are crucial for a
widespread deployment.
- Abstract（参考訳）: 世界的なCOVID-19危機下では、CXRを用いた新型コロナウイルスの堅牢な診断アルゴリズムの開発は、他の疾患を持つCXRデータが豊富であるにもかかわらず、よく集められたCOVID-19データセットの欠如によって妨げられている。
この状況は、事前トレーニングを使用して豊富なラベルのないデータを活用できるビジョントランスフォーマーアーキテクチャに適している。
しかし、ResNetによって生成されたコーパスを使用する既存の視覚変換器の直接使用は、正確な特徴埋め込みには最適ではない。
そこで本研究では, 異常cxr特徴を抽出した低レベルcxr特徴コーパスを用いて, 新たな視覚トランスフォーマを提案する。
具体的には、大規模な公開データセットを使用してバックボーンネットワークを訓練し、統合、ガラスグラス不透明度(GGO)などのルーチン診断における異常な特徴を得る。
次に、バックボーンネットワークからの埋め込み特徴を視覚トランスフォーマートレーニング用コーパスとして使用する。
全く異なる機関から取得した各種外部テストデータセットのモデルを検討し、一般化能力を評価する。
本実験は,本手法が最先端性能を達成し,より優れた一般化能力を有することを示すものである。
関連論文リスト
- Multi-Scale Feature Fusion using Parallel-Attention Block for COVID-19
Chest X-ray Diagnosis [2.15242029196761]
世界的な新型コロナウイルス危機下では、チェストX線(CXR)画像からの新型コロナウイルスの正確な診断が重要である。
並列アテンションブロックを用いた新しい多機能融合ネットワークを提案し、元のCXR画像とローカル位相特徴強調CXR画像をマルチスケールで融合する。
論文 参考訳（メタデータ） (2023-04-25T16:56:12Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Vision Transformer-based Model for Severity Quantification of Lung
Pneumonia Using Chest X-ray Images [11.12596879975844]
我々は、新型コロナウイルスや他の肺疾患の重症度を定量化するために、少数のトレーニング可能なパラメータに依存するビジョントランスフォーマーベースのニューラルネットワークモデルを提案する。
本モデルでは,比較的低い計算コストで高一般化性で重大度を定量化する上で,ピーク性能を提供することができる。
論文 参考訳（メタデータ） (2023-03-18T12:38:23Z) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳（メタデータ） (2022-09-25T04:56:10Z) - 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) - PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for
Cross-Dataset Medical Image Analysis [0.22485007639406518]
新型コロナウイルスの診断はPCR検査で効率的に行えるようになったが、このユースケースは、データの多様性を克服する方法論の必要性を実証するものだ。
本稿では,CTスキャンに最小限の変更を同時に導入しながら,イメージング技術によって引き起こされる差を解消することを目的とした,新しい生成手法を提案する。
論文 参考訳（メタデータ） (2022-08-19T15:49:47Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - 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) - Vision Transformer using Low-level Chest X-ray Feature Corpus for
COVID-19 Diagnosis and Severity Quantification [25.144248675578286]
バックボーンネットワークから得られた低レベルCXR特徴コーパスを利用した新しいビジョントランスフォーマーを提案する。
バックボーンネットワークはまず、一般的な異常発見を検出するために、大きなパブリックデータセットでトレーニングされる。
次に、バックボーンネットワークからの埋め込み機能は、COVID-19の診断および重症度定量のためのトランスフォーマーモデルのコーポラとして使用されます。
論文 参考訳（メタデータ） (2021-04-15T04:54:48Z) - End-2-End COVID-19 Detection from Breath & Cough Audio [68.41471917650571]
クラウドソースのオーディオサンプルからエンドツーエンドのディープラーニングを使用してCOVID-19を診断する最初の試みを実証します。
本研究では, 人工深層ニューラルネットワークを用いて, 人工呼吸器から新型コロナを診断する新しいモデル戦略を提案する。
論文 参考訳（メタデータ） (2021-01-07T01:13:00Z) - Triage of Potential COVID-19 Patients from Chest X-ray Images using
Hierarchical Convolutional Networks [5.7179132552879395]
新型コロナウイルス(COVID-19)のパンデミックは、逆転写-ポリメラーゼ連鎖反応(RT-PCR)の代替として人工知能技術を使うことを研究者に動機付けている。
胸部X線(CXR)は早期診断のための代替手段の1つであるが、大規模な注釈付きデータの有効性は、機械学習による新型コロナウイルス検出の臨床的実装を困難にしている。
本稿では,階層型畳み込みネットワーク(HCN)アーキテクチャを用いて,データを自然に拡張する手法を提案する。
論文 参考訳（メタデータ） (2020-11-01T20:01:22Z)
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。