Fugu-MT 論文翻訳(概要): Detecting COVID-19 and Community Acquired Pneumonia using Chest CT scan images with Deep Learning

論文の概要: Detecting COVID-19 and Community Acquired Pneumonia using Chest CT scan images with Deep Learning

arxiv url: http://arxiv.org/abs/2104.05121v1
Date: Sun, 11 Apr 2021 22:05:19 GMT
ステータス: 処理完了
システム内更新日: 2021-04-13 14:25:34.426251
Title: Detecting COVID-19 and Community Acquired Pneumonia using Chest CT scan images with Deep Learning
Title（参考訳）: 深層学習を用いた胸部CTスキャン画像によるCOVID-19と地域肺炎の検出
Authors: Shubham Chaudhary, Sadbhawna, Vinit Jakhetiya, Badri N Subudhi, Ujjwal Baid, Sharath Chandra Guntuku
Abstract要約: 本研究では、COVID-19 と CAP を検出するための 2 段階の畳み込みニューラルネットワーク (CNN) ベースの分類フレームワークを提案する。提案フレームワークは、COVID-19とCAPの識別において、スライスレベルの分類精度を94%以上達成した。提案フレームワークは、COVID-19とCAPの鑑別診断のための初期スクリーニングツールになる可能性がある。
参考スコア（独自算出の注目度）: 2.64115216778812
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We propose a two-stage Convolutional Neural Network (CNN) based classification framework for detecting COVID-19 and Community-Acquired Pneumonia (CAP) using the chest Computed Tomography (CT) scan images. In the first stage, an infection - COVID-19 or CAP, is detected using a pre-trained DenseNet architecture. Then, in the second stage, a fine-grained three-way classification is done using EfficientNet architecture. The proposed COVID+CAP-CNN framework achieved a slice-level classification accuracy of over 94% at identifying COVID-19 and CAP. Further, the proposed framework has the potential to be an initial screening tool for differential diagnosis of COVID-19 and CAP, achieving a validation accuracy of over 89.3% at the finer three-way COVID-19, CAP, and healthy classification. Within the IEEE ICASSP 2021 Signal Processing Grand Challenge (SPGC) on COVID-19 Diagnosis, our proposed two-stage classification framework achieved an overall accuracy of 90% and sensitivity of .857, .9, and .942 at distinguishing COVID-19, CAP, and normal individuals respectively, to rank first in the evaluation. Code and model weights are available at https://github.com/shubhamchaudhary2015/ct_covid19_cap_cnn
Abstract（参考訳）: 胸部CTスキャン画像を用いて、COVID-19とCommunity-Acquired Pneumonia(CAP)を検出するための2段階畳み込みニューラルネットワーク(CNN)に基づく分類フレームワークを提案する。第1段階では、事前訓練されたDenseNetアーキテクチャを用いて、COVID-19またはCAPの感染を検出する。そして、第2段階で、EfficientNetアーキテクチャを用いて、きめ細かい3方向の分類を行う。提案したCOVID+CAP-CNNフレームワークは、新型コロナウイルスとCAPの識別において、スライスレベルの分類精度が94%以上に達した。さらに、提案フレームワークは、新型コロナウイルスとCAPの鑑別診断のための初期スクリーニングツールであり、より微細な3方向のCOVID-19、CAP、健康な分類において、89.3%以上の検証精度を達成する可能性がある。 IEEE ICASSP 2021 Signal Processing Grand Challenge (SPGC) on COVID-19 diagnosisにおいて, 提案した2段階分類フレームワークは, HIV, CAP, および正常個体をそれぞれ区別し, 90%の精度と .857, .9, .942 の感度を達成し, 評価において第1位となった。 code and model weights are available at https://github.com/shubhamchaudhary2015/ct_covid19_cap_cnn

関連論文リスト

A Generic Deep Learning Based Cough Analysis System from Clinically Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。 DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
論文参考訳（メタデータ） (2021-11-10T19:39:26Z)
Learning from Pseudo Lesion: A Self-supervised Framework for COVID-19 Diagnosis [22.54540093657541]
コロナウイルス感染症2019(COVID-19)は、2019年12月の報告以来、世界中で急速に拡大している。近年、ディープラーニングに基づくアプローチは、無数の画像認識タスクにおいて顕著なパフォーマンスを示している。本報告では, 疑似病変の発生と回復に基づく自己指導型事前訓練法を提案する。
論文参考訳（メタデータ） (2021-06-23T11:21:30Z)
COVID-19 Infection Localization and Severity Grading from Chest X-ray Images [3.4546388019336143]
コロナウイルス感染症2019(COVID-19)は、2019年12月に出現して以来、世界中で主要な課題となっている。我々は、11,956のCOVID-19サンプルを含む33,920のCXRイメージで、最大のベンチマークデータセットを構築しました。このアプローチは、99%以上の感度と特異性の両方で優れたCOVID-19検出性能を達成しました。
論文参考訳（メタデータ） (2021-03-14T18:06:06Z)
Detection and severity classification of COVID-19 in CT images using deep learning [3.8261286462270006]
肺を分割し、ct画像からcovid-19感染を検出、局所化し、定量化するカスケードシステムを提案する。提案するシステムは,様々な形状や大きさ,特に小感染領域の感染を確実に局在化することができる。このシステムは、1,110人の被験者のデータセットを通じて、新型コロナウイルス感染の異なる重症度レベルを区別することができました。
論文参考訳（メタデータ） (2021-02-15T18:23:34Z)
COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19 from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
論文参考訳（メタデータ） (2021-01-19T03:04:09Z)
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)
COVID-FACT: A Fully-Automated Capsule Network-based Framework for Identification of COVID-19 Cases from Chest CT scans [29.327290778950324]
我々は「COVID-FACT」と呼ばれる新型コロナウイルス陽性症例の同定のための2段階完全自動化フレームワークを提案する。 COVID-FACTは感染したスライスを検出し、社内CTスキャンデータセットを使用して陽性のCOVID-19患者を特定する。この実験に基づいて、COVID-FACTは90.82%の精度、94.55%の感度、86.04%の特異度、および0.98のエリアアンダー・ザ・カーブ(AUC)を達成できるが、監督やアノテーションははるかに少ない。
論文参考訳（メタデータ） (2020-10-30T03:30:22Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Adaptive Feature Selection Guided Deep Forest for COVID-19 Classification with Chest CT [49.09507792800059]
胸部CT画像に基づくCOVID-19分類のための適応的特徴選択ガイド付き深層林(AFS-DF)を提案する。 AFS-DF on COVID-19 data with 1495 patients of COVID-19 and 1027 patients of community acquired pneumonia (CAP)。
論文参考訳（メタデータ） (2020-05-07T06:00:02Z)
A Cascaded Learning Strategy for Robust COVID-19 Pneumonia Chest X-Ray Screening [11.250464234368478]
新型コロナウイルス(SARS-CoV-2)肺炎に対する包括的スクリーニングプラットフォームを導入する。提案するAIベースのシステムは、胸部X線(CXR)画像を利用して、患者が新型コロナウイルス感染症に感染しているかどうかを予測する。
論文参考訳（メタデータ） (2020-04-24T15:44:51Z)
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。