論文の概要: Human-level COVID-19 Diagnosis from Low-dose CT Scans Using a Two-stage Time-distributed Capsule Network

• arxiv url: http://arxiv.org/abs/2105.14656v1
• Date: Mon, 31 May 2021 00:49:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-02 07:21:39.298317
• Title: Human-level COVID-19 Diagnosis from Low-dose CT Scans Using a Two-stage Time-distributed Capsule Network
• Title（参考訳）: 2段階時間分布カプセルネットワークを用いた低線量ctスキャンによるヒトレベルcovid-19診断
• Authors: Parnian Afshar, Moezedin Javad Rafiee, Farnoosh Naderkhani, Shahin Heidarian, Nastaran Enshaei, Anastasia Oikonomou, Faranak Babaki Fard, Reut Anconina, Keyvan Farahani, Konstantinos N. Plataniotis, and Arash Mohammadi
• Abstract要約: 低線量および超低線量(LDCTとLDCT)スキャンプロトコルは、単一のX線に近い放射線被曝を減らす。 提案したAIモデルは、LDCT/ULDCTスキャンに基づいて、放射線曝露を低減した人間レベルの診断を実現する。
• 参考スコア（独自算出の注目度）: 26.508614953399736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reverse transcription-polymerase chain reaction (RT-PCR) is currently the gold standard in COVID-19 diagnosis. It can, however, take days to provide the diagnosis, and false negative rate is relatively high. Imaging, in particular chest computed tomography (CT), can assist with diagnosis and assessment of this disease. Nevertheless, it is shown that standard dose CT scan gives significant radiation burden to patients, especially those in need of multiple scans. In this study, we consider low-dose and ultra-low-dose (LDCT and ULDCT) scan protocols that reduce the radiation exposure close to that of a single X-Ray, while maintaining an acceptable resolution for diagnosis purposes. Since thoracic radiology expertise may not be widely available during the pandemic, we develop an Artificial Intelligence (AI)-based framework using a collected dataset of LDCT/ULDCT scans, to study the hypothesis that the AI model can provide human-level performance. The AI model uses a two stage capsule network architecture and can rapidly classify COVID-19, community acquired pneumonia (CAP), and normal cases, using LDCT/ULDCT scans. The AI model achieves COVID-19 sensitivity of 89.5% +\- 0.11, CAP sensitivity of 95% +\- 0.11, normal cases sensitivity (specificity) of 85.7% +\- 0.16, and accuracy of 90% +\- 0.06. By incorporating clinical data (demographic and symptoms), the performance further improves to COVID-19 sensitivity of 94.3% +\- pm 0.05, CAP sensitivity of 96.7% +\- 0.07, normal cases sensitivity (specificity) of 91% +\- 0.09 , and accuracy of 94.1% +\- 0.03. The proposed AI model achieves human-level diagnosis based on the LDCT/ULDCT scans with reduced radiation exposure. We believe that the proposed AI model has the potential to assist the radiologists to accurately and promptly diagnose COVID-19 infection and help control the transmission chain during the pandemic.
• Abstract（参考訳）: 逆転写ポリメラーゼ鎖反応(RT-PCR)は、現在、新型コロナウイルスの診断におけるゴールドスタンダードである。 しかし、診断に数日を要し、偽陰性率は比較的高い。 画像、特に胸部CTは、この疾患の診断と評価を支援することができる。 それにもかかわらず、標準線量CTは患者、特に複数のスキャンを必要とする患者にかなりの放射線負荷をもたらすことが示されている。 本研究では,低線量および超低線量(LDCTおよびLDCT)スキャンプロトコルについて検討した。 胸部放射線学の専門知識はパンデミックの間は広く利用できない可能性があるため、LDCT/ULDCTスキャンの収集データセットを用いて人工知能(AI)ベースのフレームワークを開発し、AIモデルが人間レベルのパフォーマンスを提供できるという仮説を研究する。 AIモデルは2段階のカプセルネットワークアーキテクチャを使用して、COVID-19、コミュニティ獲得肺炎(CAP)、正常例をLDCT/ULDCTスキャンで迅速に分類することができる。 aiモデルは、新型コロナウイルスの感度89.5% +\- 0.11、キャップ感度95% +\- 0.11、正常症例の感度(特異性)85.7% +\- 0.16、精度90% +\- 0.06を達成する。 臨床データ(デポグラフィと症状)を組み込むことで、新型コロナウイルスの感度は94.3%+\-pm 0.05、キャップ感度96.7%+\- 0.07、正常症例の感度(特異度)は91%+\- 0.09、精度94.1%+\- 0.03となる。 提案したAIモデルは、LDCT/ULDCTスキャンに基づく人体レベルの診断を実現する。 提案するaiモデルは、放射線科医がcovid-19感染を正確にかつ迅速に診断し、パンデミック時の感染連鎖を制御するのに役立つ可能性があると信じている。

関連論文リスト

• A Novel Implementation of Machine Learning for the Efficient, Explainable Diagnosis of COVID-19 from Chest CT [0.0]
  本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。 提案したモデルは0.927の総合精度と0.958の感度を得た。
  論文  参考訳（メタデータ） (2022-06-15T18:35:22Z)
• 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)
• Dual-Attention Residual Network for Automatic Diagnosis of COVID-19 [6.941255691176647]
  我々は,他の一般的な肺炎患者や正常者から,CT画像を用いてCOVID-19を自動同定する新たな残留ネットワークを提案する。 この方法では、他の2つのクラスと94.7%の精度、93.73%の感度、98.28%の特異性、95.26%のF1スコア、および受信機動作特性曲線(AUC)の0.99の領域を区別することができる。
  論文  参考訳（メタデータ） (2021-05-14T11:59:47Z)
• COVID-19 Detection from Chest X-ray Images using Imprinted Weights Approach [67.05664774727208]
  胸部X線撮影は、COVID-19の代替スクリーニング方法です。 コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。 この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
  論文  参考訳（メタデータ） (2021-05-04T19:01:40Z)
• COVID-CT-MD: COVID-19 Computed Tomography (CT) Scan Dataset Applicable in Machine Learning and Deep Learning [31.20501909118117]
  コロナウイルス(COVID-19)は、2019年後半の流行以来、数百万人以上が被害を受け、100万人近くが命を落としている。 本稿では、COVID-19CTスキャンデータセット(COVID-CT-MD)について紹介する。 このデータセットには、COVID-19研究を促進する可能性があり、特にCOVID-CT-MDは、高度な機械学習(ML)とディープニューラルネットワーク(DNN)ベースのソリューションの開発を支援することができる。
  論文  参考訳（メタデータ） (2020-09-28T20:42:07Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
  胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。 特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。 我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
  論文  参考訳（メタデータ） (2020-05-06T09:56:51Z)
• JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
  新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。 感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。 本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
  論文  参考訳（メタデータ） (2020-04-15T12:30:40Z)
• COVID-CAPS: A Capsule Network-based Framework for Identification of COVID-19 cases from X-ray Images [34.93885932923011]
  コロナウイルス(COVID-19)は、21世紀の2世紀末に、突然、そして間違いなく世界を変えた。 新型コロナウイルスの早期診断により、医療専門家や政府機関は移行の連鎖を破り、流行曲線をフラットにすることができる。 主に畳み込みニューラルネットワーク(CNN)をベースとしたディープニューラルネットワーク(DNN)ベースの診断ソリューション開発への関心が高まっている。 本稿では、小さなデータセットを処理可能な、Capsule Networks(COVID-CAPS)に基づく代替モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-06T14:20:47Z)
• Can AI help in screening Viral and COVID-19 pneumonia? [0.0]
  本研究の目的は,デジタル胸部X線画像からCOVID-19肺炎を自動的に検出するためのロバストな手法を提案することである。 このデータベースには423のCOVID-19、1485のウイルス性肺炎、1579の正常な胸部X線画像が含まれている。 両者の分類精度、精度、感度、特異性はそれぞれ99.7%、99.7%、99.55%、97.9%、97.95%、97.9%、98.8%であった。
  論文  参考訳（メタデータ） (2020-03-29T21:37:21Z)
• Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
  本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。 ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。 新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
  論文  参考訳（メタデータ） (2020-03-26T15:49:32Z)

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。