論文の概要: Severity Quantification and Lesion Localization of COVID-19 on CXR using Vision Transformer

• arxiv url: http://arxiv.org/abs/2103.07062v1
• Date: Fri, 12 Mar 2021 03:17:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 13:28:22.352927
• Title: Severity Quantification and Lesion Localization of COVID-19 on CXR using Vision Transformer
• Title（参考訳）: ビジョントランスを用いたCXRにおけるCOVID-19の重症度定量と病変局在
• Authors: Gwanghyun Kim, Sangjoon Park, Yujin Oh, Joon Beom Seo, Sang Min Lee, Jin Hwan Kim, Sungjun Moon, Jae-Kwang Lim, Jong Chul Ye
• Abstract要約: 世界的な新型コロナウイルス(covid-19)のパンデミックの中で、covid-19の重症度を定量化する自動化フレームワークの構築がますます重要になっている。 重症度と臨床応用可能な新型コロナウイルス関連病変の局在を定量化するための新しい視覚トランスフォーマを提案する。 我々のモデルは、弱い配列に基づくラベルから全確率マップを生成するために、弱教師付きで訓練されている。
• 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 pandemic of COVID-19, building an automated framework that quantifies the severity of COVID-19 and localizes the relevant lesion on chest X-ray images has become increasingly important. Although pixel-level lesion severity labels, e.g. lesion segmentation, can be the most excellent target to build a robust model, collecting enough data with such labels is difficult due to time and labor-intensive annotation tasks. Instead, array-based severity labeling that assigns integer scores on six subdivisions of lungs can be an alternative choice enabling the quick labeling. Several groups proposed deep learning algorithms that quantify the severity of COVID-19 using the array-based COVID-19 labels and localize the lesions with explainability maps. To further improve the accuracy and interpretability, here we propose a novel Vision Transformer tailored for both quantification of the severity and clinically applicable localization of the COVID-19 related lesions. Our model is trained in a weakly-supervised manner to generate the full probability maps from weak array-based labels. Furthermore, a novel progressive self-training method enables us to build a model with a small labeled dataset. The quantitative and qualitative analysis on the external testset demonstrates that our method shows comparable performance with radiologists for both tasks with stability in a real-world application.
• Abstract（参考訳）: 新型コロナウイルスの世界的なパンデミック下では、covid-19の重症度を定量化し、胸部x線画像上の関連病変をローカライズする自動化フレームワークの構築がますます重要になっている。 ピクセルレベルの病変の重度ラベルは、例えば。 病変分割は、堅牢なモデルを構築するための最も優れたターゲットであり、そのようなラベルで十分なデータを収集することは、時間と労働集約的なアノテーションタスクのために困難です。 代わりに、6つの肺の分割に整数スコアを割り当てる配列ベースの重篤なラベル付けは、高速なラベル付けを可能にする代替選択肢となる。 いくつかのグループは、配列ベースのCOVID-19ラベルを使用してCOVID-19の重症度を定量化し、説明可能なマップで病変をローカライズするディープラーニングアルゴリズムを提案した。 さらに精度と解釈性を向上させるために、重症度の定量化と新型コロナウイルス関連病変の臨床的に適用可能な局在化の両方に適した新しいVision Transformerを提案します。 我々のモデルは、弱い配列に基づくラベルから全確率マップを生成するために、弱教師付きで訓練されている。 さらに、新しいプログレッシブな自己学習手法により、小さなラベル付きデータセットでモデルを構築することができる。 外部テストセットの定量的・定性的分析により,実世界のアプリケーションにおいて,両課題とも放射線科医と同等の性能を示すことが示された。

関連論文リスト

• Domain Adaptation Using Pseudo Labels for COVID-19 Detection [19.844531606142496]
  ドメイン適応のために擬似ラベルを利用する2段階のフレームワークを提案する。 あるドメインからのアノテートデータと別のドメインからの非アノテートデータを利用することで、モデルはデータの不足と可変性の課題を克服する。 COV19-CT-DBデータベースの実験結果は、高い診断精度を達成するためのモデルの可能性を示している。
  論文  参考訳（メタデータ） (2024-03-18T06:07:45Z)
• Transfer learning with weak labels from radiology reports: application to glioma change detection [0.2010294990327175]
  弱いラベル(不正確だが高速に生成するアノテーション)とトランスファーラーニング(TL)の併用を提案する。 具体的には、ソースドメインとターゲットドメインが同一であるが、ラベルシフトによってタスクが異なるインダクティブTLについて検討する。 低容量VGGと高容量SEResNeXtを比較し,モデルサイズとTLの関係について検討した。
  論文  参考訳（メタデータ） (2022-10-18T09:15:27Z)
• 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)
• 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)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
  本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。 このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
  論文  参考訳（メタデータ） (2021-03-01T06:05:49Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• GraphXCOVID: Explainable Deep Graph Diffusion Pseudo-Labelling for Identifying COVID-19 on Chest X-rays [4.566180616886624]
  胸部X線からCOVID-19を分類するためのグラフベースの深層半監督フレームワークを提案する。 本フレームワークでは,グラフ拡散の最適化モデルを導入し,小さなラベル付き集合と膨大な未ラベルデータとの自然関係を補強する。 実験を通して、我々のモデルは、ラベル付き例のごく一部で、現在の先行教師付きモデルより優れていることを実証した。
  論文  参考訳（メタデータ） (2020-09-30T15:38:24Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。