論文の概要: Covid-19 Detection from Chest X-ray and Patient Metadata using Graph
Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2105.09720v2
- Date: Fri, 21 May 2021 12:38:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-29 19:47:43.008121
- Title: Covid-19 Detection from Chest X-ray and Patient Metadata using Graph
Convolutional Neural Networks
- Title（参考訳）: グラフ畳み込みニューラルネットワークを用いた胸部X線および患者メタデータからのCovid-19の検出
- Authors: Thosini Bamunu Mudiyanselage, Nipuna Senanayake, Chunyan Ji, Yi Pan
and Yanqing Zhang
- Abstract要約: 本稿では,Covid-19肺炎のバイオマーカーを同定可能な新しいグラフ畳み込みニューラルネットワーク(GCN)を提案する。
提案手法は,データインスタンスとその特徴間の重要な関係知識をグラフ表現を用いて利用し,グラフデータ学習に畳み込みを適用する。
- 参考スコア（独自算出の注目度）: 6.420262246029286
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The novel corona virus (Covid-19) has introduced significant challenges due
to its rapid spreading nature through respiratory transmission. As a result,
there is a huge demand for Artificial Intelligence (AI) based quick disease
diagnosis methods as an alternative to high demand tests such as Polymerase
Chain Reaction (PCR). Chest X-ray (CXR) Image analysis is such cost-effective
radiography technique due to resource availability and quick screening. But, a
sufficient and systematic data collection that is required by complex deep
leaning (DL) models is more difficult and hence there are recent efforts that
utilize transfer learning to address this issue. Still these transfer learnt
models suffer from lack of generalization and increased bias to the training
dataset resulting poor performance for unseen data. Limited correlation of the
transferred features from the pre-trained model to a specific medical imaging
domain like X-ray and overfitting on fewer data can be reasons for this
circumstance. In this work, we propose a novel Graph Convolution Neural Network
(GCN) that is capable of identifying bio-markers of Covid-19 pneumonia from CXR
images and meta information about patients. The proposed method exploits
important relational knowledge between data instances and their features using
graph representation and applies convolution to learn the graph data which is
not possible with conventional convolution on Euclidean domain. The results of
extensive experiments of proposed model on binary (Covid vs normal) and three
class (Covid, normal, other pneumonia) classification problems outperform
different benchmark transfer learnt models, hence overcoming the aforementioned
drawbacks.
- Abstract（参考訳）: 新しいコロナウイルス(covid-19)は、呼吸伝達によって急速に広がる性質のため、重大な課題を提起している。
その結果,PCR (Polymerase Chain Reaction) などの高需要試験の代替として,AIをベースとした迅速な疾患診断法が求められている。
胸部X線(CXR)画像解析は,資源利用率と高速スクリーニングにより,コスト効率の高い放射線撮影技術である。
しかし、複雑な深層傾き(DL)モデルで必要とされる十分かつ体系的なデータ収集はより困難であり、この問題に対処するためにトランスファーラーニングを利用した最近の取り組みがある。
それでも、これらのトランスファー学習モデルは、一般化の欠如とトレーニングデータセットへのバイアスの増加によって、見えないデータのパフォーマンスが低下する。
事前訓練されたモデルからX線のような特定の医用画像領域に移行した特徴の限定的な相関と、少ないデータへの過度な適合は、この状況の原因となる。
そこで本研究では,CXR画像からCovid-19肺炎のバイオマーカーを同定し,患者のメタ情報を検出する新しいグラフ畳み込みニューラルネットワーク(GCN)を提案する。
提案手法は,グラフ表現を用いたデータインスタンスとその特徴間の重要な関係知識を活用し,従来のユークリッド領域の畳み込みでは不可能であるグラフデータ学習に畳み込みを適用する。
2次モデル(コビッド対ノーマル)と3種類の分類問題(コビッド、ノーマル、その他の肺炎)の広範な実験の結果は、異なるベンチマーク移行学習モデルよりも優れており、上記の欠点を克服している。
関連論文リスト
- Swin-Tempo: Temporal-Aware Lung Nodule Detection in CT Scans as Video
Sequences Using Swin Transformer-Enhanced UNet [2.7547288571938795]
本稿では、畳み込みニューラルネットワークと視覚変換器の長所を利用する革新的なモデルを提案する。
ビデオ中の物体検出にインスパイアされた各3次元CT画像をビデオとして扱い、個々のスライスをフレームとして、肺結節をオブジェクトとして扱い、時系列アプリケーションを可能にする。
論文 参考訳（メタデータ） (2023-10-05T07:48:55Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - 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) - 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) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - 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) - RANDGAN: Randomized Generative Adversarial Network for Detection of
COVID-19 in Chest X-ray [0.0]
新型コロナウイルス(COVID-19)が世界中に広がる中で、医療機関は患者を診断し、必要な頻度で検査する能力を失っている。
研究は、胸部X線でウイルス性細菌性肺炎から新型コロナウイルスを検出できる有望な結果を示している。
本研究では,ラベルやトレーニングデータを必要とせず,未知のクラス(COVID-19)の画像を検出するランダム化生成敵ネットワーク(RANDGAN)を提案する。
論文 参考訳（メタデータ） (2020-10-06T15:58:09Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Learning Invariant Feature Representation to Improve Generalization
across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。
対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文 参考訳（メタデータ） (2020-08-04T07:41:15Z) - Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray
images using fine-tuned deep neural networks [4.294650528226683]
新型コロナウイルスは肺炎に似た呼吸器症候群である。
科学者、研究者、医療専門家は、肺感染症の特定によって、新型コロナウイルスの迅速かつ自動化された診断に貢献している。
本稿では,様々な最先端ディープラーニング手法における非バイアスの微調整学習(トランスファーラーニング)に対するランダムなオーバーサンプリングと重み付きクラス損失関数アプローチを提案する。
論文 参考訳（メタデータ） (2020-04-23T10:24:34Z)
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。