Fugu-MT 論文翻訳(概要): UncertaintyFuseNet: Robust Uncertainty-aware Hierarchical Feature Fusion with Ensemble Monte Carlo Dropout for COVID-19 Detection

論文の概要: UncertaintyFuseNet: Robust Uncertainty-aware Hierarchical Feature Fusion with Ensemble Monte Carlo Dropout for COVID-19 Detection

arxiv url: http://arxiv.org/abs/2105.08590v1
Date: Tue, 18 May 2021 15:20:34 GMT
ステータス: 処理完了
システム内更新日: 2021-05-19 14:06:09.798833
Title: UncertaintyFuseNet: Robust Uncertainty-aware Hierarchical Feature Fusion with Ensemble Monte Carlo Dropout for COVID-19 Detection
Title（参考訳）: UncertaintyFuseNet: uncertainty-aware Hierarchical Feature Fusion with Ensemble Monte Carlo Dropout for COVID-19 Detection
Authors: Moloud Abdar, Soorena Salari, Sina Qahremani, Hak-Keung Lam, Fakhri Karray, Sadiq Hussain, Abbas Khosravi, U. Rajendra Acharya, Saeid Nahavandi
Abstract要約: 新型コロナウイルス(コロナウイルス)は1億5100万人以上に感染し、現在まで世界中で約317万人が死亡している。我々は,不確実性モジュールであるEnsemble Monte Carlo (EMC)ドロップアウトからなる,$UncertaintyFuseNet$という新しい強力な融合モデルを提案する。以上の結果から,CTスキャンとX線データを用いたCOVID-19検出のための核融合の有用性が示唆された。
参考スコア（独自算出の注目度）: 36.89349238954984
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The COVID-19 (Coronavirus disease 2019) has infected more than 151 million people and caused approximately 3.17 million deaths around the world up to the present. The rapid spread of COVID-19 is continuing to threaten human's life and health. Therefore, the development of computer-aided detection (CAD) systems based on machine and deep learning methods which are able to accurately differentiate COVID-19 from other diseases using chest computed tomography (CT) and X-Ray datasets is essential and of immediate priority. Different from most of the previous studies which used either one of CT or X-ray images, we employed both data types with sufficient samples in implementation. On the other hand, due to the extreme sensitivity of this pervasive virus, model uncertainty should be considered, while most previous studies have overlooked it. Therefore, we propose a novel powerful fusion model named $UncertaintyFuseNet$ that consists of an uncertainty module: Ensemble Monte Carlo (EMC) dropout. The obtained results prove the effectiveness of our proposed fusion for COVID-19 detection using CT scan and X-Ray datasets. Also, our proposed $UncertaintyFuseNet$ model is significantly robust to noise and performs well with the previously unseen data. The source codes and models of this study are available at: https://github.com/moloud1987/UncertaintyFuseNet-for-COVID-19-Classification.
Abstract（参考訳）: 新型コロナウイルス(Coronavirus disease 2019)は1億5100万人以上に感染し、現在まで世界中で約317万人が死亡している。新型コロナウイルス(covid-19)の急速な拡大は、人間の生命と健康を脅かし続けている。そのため,CTとX線データセットを用いて,新型コロナウイルスと他の疾患を正確に区別できる機械学習と深層学習を基盤としたCADシステムの開発が不可欠であり,最優先事項である。 CT画像とX線画像のどちらを用いた以前の研究と異なり、実装に十分なサンプルが得られたデータ型を両方使用した。一方で、この広汎性ウイルスの極度の感受性のため、モデル不確実性は考慮されるべきであるが、ほとんどの研究はそれを見落としている。そこで我々は,不確実性モジュールであるEnsemble Monte Carlo (EMC)ドロップアウトからなる,$UncertaintyFuseNet$という新しい強力な融合モデルを提案する。以上の結果から,CTスキャンとX線データを用いたCOVID-19検出のための融合の有用性が示唆された。また、提案する$uncertaintyfusenet$モデルはノイズに対してかなり頑健で、未発見のデータでもうまく動作します。この研究のソースコードとモデルは、https://github.com/moloud 1987/uncertaintyfusenet-for-covid-19-classificationで入手できる。

関連論文リスト

A Deep Learning Approach for the Detection of COVID-19 from Chest X-Ray Images using Convolutional Neural Networks [0.0]
COVID-19(コロナウイルス)は、重症急性呼吸器症候群ウイルス(SARS-CoV-2)によるパンデミックである。 2019年12月中旬、中国武漢の湖北省で初感染が確認された。全世界で7550万件以上が確認され、167万件以上が死亡している。
論文参考訳（メタデータ） (2022-01-24T21:12:25Z)
DPCOVID: Privacy-Preserving Federated Covid-19 Detection [2.1930130356902207]
コロナウイルス(COVID-19)は、世界経済と健康に対する有害な影響により、前例のない世界的な危機を経験している。胸部X線画像に基づく新型コロナウイルス検出のためのプライバシ保護フェデレーション学習システムを提案する。
論文参考訳（メタデータ） (2021-10-26T15:09:00Z)
The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
論文参考訳（メタデータ） (2021-09-18T02:28:01Z)
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)
RCoNet: Deformable Mutual Information Maximization and High-order Uncertainty-aware Learning for Robust COVID-19 Detection [12.790651338952005]
2019年のコロナウイルス(COVID-19)感染は世界中に広まり、現在、世界中で大きな医療課題となっている。胸部X線(CXR)画像中のCOVID-19の検出はCTよりも高速で低コストであり, 診断, 評価, 治療に有用である。 Em Deformable Mutual Information Maximization (DeIM), em Mixed High-order Moment Feature (MMMF) と em Multi- を併用した,ロバストな COVID-19 検出のための新しいディープネットワークである em RCoNet$k_s$ を提案する。
論文参考訳（メタデータ） (2021-02-22T15:13:42Z)
Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文参考訳（メタデータ） (2021-01-14T03:45:01Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
COVIDGR dataset and COVID-SDNet methodology for predicting COVID-19 based on Chest X-Ray images [0.0]
現在、コロナウイルス(COVID-19)はRT-PCR検査、CTスキャン、胸部X線画像(CXR)を用いて診断されている。ディープラーニングニューラルネットワークは、新型コロナウイルスのトリアージシステムを構築する大きな可能性を秘めている。 i) 最新の新型コロナウイルス分類モデルによって達成された高い感度をデミスティフィケーションし、(ii) スペインのグラナダにある病院大学Cl'inico San Cecilioと密接に協力し、COVIDGR-1.0を構築し、(iii) COVID Smart Data based Network(COVID-SD)を提案する。
論文参考訳（メタデータ） (2020-06-02T06:18:34Z)
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)
CoroNet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images [0.0]
CoroNetは、胸部X線画像からCOVID-19感染を自動的に検出するDeep Conceptional Neural Networkモデルである。提案したモデルは全体の89.6%の精度を達成し、新型コロナウイルス患者の精度とリコール率は93%と98.2%である。
論文参考訳（メタデータ） (2020-04-10T07:46:07Z)

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。