論文の概要: Systematic investigation into generalization of COVID-19 CT deep learning models with Gabor ensemble for lung involvement scoring

• arxiv url: http://arxiv.org/abs/2105.15094v1
• Date: Tue, 20 Apr 2021 03:49:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 02:22:00.924627
• Title: Systematic investigation into generalization of COVID-19 CT deep learning models with Gabor ensemble for lung involvement scoring
• Title（参考訳）: Gabor アンサンブルを用いた COVID-19 CT 深層学習モデルの一般化に関する系統的研究
• Authors: Michael J. Horry, Subrata Chakraborty, Biswajeet Pradhan, Maryam Fallahpoor, Chegeni Hossein, Manoranjan Paul
• Abstract要約: 本研究は,COVID-19 CTデータを用いたキーパブリッシュモデルの一般化可能性について検討する。 次に、独立した新しいデータセットを使用して、新型コロナウイルスの重症度に関するこれらのモデルの予測能力を評価する。
• 参考スコア（独自算出の注目度）: 9.94980188821453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The COVID-19 pandemic has inspired unprecedented data collection and computer vision modelling efforts worldwide, focusing on diagnosis and stratification of COVID-19 from medical images. Despite this large-scale research effort, these models have found limited practical application due in part to unproven generalization of these models beyond their source study. This study investigates the generalizability of key published models using the publicly available COVID-19 Computed Tomography data through cross dataset validation. We then assess the predictive ability of these models for COVID-19 severity using an independent new dataset that is stratified for COVID-19 lung involvement. Each inter-dataset study is performed using histogram equalization, and contrast limited adaptive histogram equalization with and without a learning Gabor filter. The study shows high variability in the generalization of models trained on these datasets due to varied sample image provenances and acquisition processes amongst other factors. We show that under certain conditions, an internally consistent dataset can generalize well to an external dataset despite structural differences between these datasets with f1 scores up to 86%. Our best performing model shows high predictive accuracy for lung involvement score for an independent dataset for which expertly labelled lung involvement stratification is available. Creating an ensemble of our best model for disease positive prediction with our best model for disease negative prediction using a min-max function resulted in a superior model for lung involvement prediction with average predictive accuracy of 75% for zero lung involvement and 96% for 75-100% lung involvement with almost linear relationship between these stratifications.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)のパンデミックは、医療画像から新型コロナウイルスの診断と階層化に焦点を当て、世界中の前例のないデータ収集とコンピュータビジョンのモデリングに影響を与えた。 このような大規模な研究努力にもかかわらず、これらのモデルは、ソース研究を超えてこれらのモデルの証明されていない一般化のために、実用的応用が限定されている。 本研究では、クロスデータセット検証を通じて、公開可能なCOVID-19 Computed Tomographyデータを用いたキーパブリッシュモデルの一般化可能性について検討する。 次に、covid-19の重症度に対する予測能力を、covid-19の肺への関与を階層化する独立した新しいデータセットを用いて評価する。 ヒストグラム等化とコントラスト制限適応ヒストグラム等化を用いて、学習ガバーフィルタの有無にかかわらず各データセット間研究を行う。 本研究は、これらのデータセット上で訓練されたモデルの一般化において、様々なサンプル画像の出現と他の要因による獲得過程により、高いばらつきを示す。 特定の条件下では、内部一貫性のあるデータセットは、f1スコアが最大86%であるこれらのデータセットの構造的な違いにもかかわらず、外部データセットにうまく一般化できる。 肺への関与スコアの予測精度は,専門的にラベル付けされた肺への関与階層化が可能な独立したデータセットに対して高い精度を示す。 疾患陰性予測のための最良モデルと, min-max関数を用いた疾患陰性予測モデルとのアンサンブルを作成した結果, 平均肺関与率75%, 75-100%肺関与率96%, ほぼ線形関係を有する肺関与予測モデルが得られた。

関連論文リスト

• A Hybrid Approach for COVID-19 Detection: Combining Wasserstein GAN with Transfer Learning [0.0]
  我々は、後にディープラーニングモデルに入力された画像を合成して、COVID-19、ノーマル、ウイルス肺炎の画像の分類を行うGANベースのアプローチを提案する。 この拡張データセットを使用して、VGG-16、ResNet-50、GoogLeNet、MNASTの4つの提案されたディープラーニングモデルをトレーニングする。 VGG-16は4つの計画の中で99.17%の精度を達成した。
  論文  参考訳（メタデータ） (2024-11-10T09:09:41Z)
• Symptom-based Machine Learning Models for the Early Detection of COVID-19: A Narrative Review [0.0]
  機械学習モデルは、患者の報告した症状、臨床データ、医療画像などを取り入れて、大規模なデータセットを分析することができる。 本稿では、その性能と限界を含む、COVID-19を予測するための症状のみの機械学習モデルの概要について概説する。 また、画像ベースモデルと比較して、症状ベースのモデルの性能についても検討する。
  論文  参考訳（メタデータ） (2023-12-08T01:41:42Z)
• 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)
• Lung Ultrasound Segmentation and Adaptation between COVID-19 and Community-Acquired Pneumonia [0.17159130619349347]
  深層ニューラルネットワークを用いた超音声的B線分割作業に着目する。 我々は、COVID-19とCAP肺超音波データの両方を用いて、ネットワークをトレーニングする。 いずれかのタイプの肺疾患を推測する際には、様々な臨床応用が期待できる。
  論文  参考訳（メタデータ） (2021-08-06T14:17:51Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• 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)
• 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)
• Intra-model Variability in COVID-19 Classification Using Chest X-ray Images [0.0]
  12の共通ディープラーニングアーキテクチャにおいて,胸部X線におけるCOVID-19検出のためのベースライン性能指標と変数の定量化を行う。 最高のパフォーマンスモデルでは、新型コロナウイルスをホールドアウトセットで検出する際の偽陰性率は20点中3点である。
  論文  参考訳（メタデータ） (2020-04-30T21:20:32Z)

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。