論文の概要: A 3D CNN Network with BERT For Automatic COVID-19 Diagnosis From CT-Scan Images

• arxiv url: http://arxiv.org/abs/2106.14403v1
• Date: Mon, 28 Jun 2021 05:35:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 23:48:09.931276
• Title: A 3D CNN Network with BERT For Automatic COVID-19 Diagnosis From CT-Scan Images
• Title（参考訳）: BERTを用いた3次元CNNネットワークによるCTスキャン画像の自動診断
• Authors: Weijun Tan, Jingfeng Liu
• Abstract要約: 肺CTスキャンスライス画像からのCOVID1-19自動診断フレームワークを提案する。 本フレームワークでは,CTスキャンボリュームのスライス画像をまずセグメンテーション技術を用いてプロプロセスする。 トレーニングと検証のために、固定数のスライス画像の1つまたは複数のセットを選択するために再サンプリング法を用いる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an automatic COVID1-19 diagnosis framework from lung CT-scan slice images. In this framework, the slice images of a CT-scan volume are first proprocessed using segmentation techniques to filter out images of closed lung, and to remove the useless background. Then a resampling method is used to select one or multiple sets of a fixed number of slice images for training and validation. A 3D CNN network with BERT is used to classify this set of selected slice images. In this network, an embedding feature is also extracted. In cases where there are more than one set of slice images in a volume, the features of all sets are extracted and pooled into a global feature vector for the whole CT-scan volume. A simple multiple-layer perceptron (MLP) network is used to further classify the aggregated feature vector. The models are trained and evaluated on the provided training and validation datasets. On the validation dataset, the accuracy is 0.9278 and the F1 score is 0.9261.
• Abstract（参考訳）: 肺CTスキャンスライス画像からのCOVID1-19自動診断フレームワークを提案する。 本フレームワークでは、CTスキャンボリュームのスライス画像をまずセグメント化技術を用いてプロプロセスし、閉鎖肺の画像をフィルタリングし、無用な背景を除去する。 次に、リサンプリング法を用いて、トレーニングと検証のために、固定数のスライス画像の1つまたは複数のセットを選択する。 BERTを用いた3次元CNNネットワークを用いて、選択したスライス画像の分類を行う。 このネットワークでは、埋め込み機能も抽出される。 ボリューム内に複数のスライス画像がある場合、全セットの特徴を抽出し、CTスキャンボリューム全体のグローバル特徴ベクトルにプールする。 単純な多層パーセプトロン(MLP)ネットワークを使用して、集約された特徴ベクトルをさらに分類する。 モデルはトレーニングされ、提供されるトレーニングと検証データセットに基づいて評価される。 検証データセットでは精度が0.9278、F1スコアが0.9261である。

関連論文リスト

• CT-GLIP: 3D Grounded Language-Image Pretraining with CT Scans and Radiology Reports for Full-Body Scenarios [53.94122089629544]
  我々は,CT-GLIP(Grounded Language- Image Pretraining with CT scans)を導入する。 本手法は,104臓器にわたる17,702症例を対象に,44,011例の臓器レベルの視覚テキストペアからなるマルチモーダルCTデータセットを用いて訓練し,自然言語を用いて臓器と異常をゼロショットで識別できることを実証した。
  論文  参考訳（メタデータ） (2024-04-23T17:59:01Z)
• Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
  CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。 現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。 既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
  論文  参考訳（メタデータ） (2022-11-10T13:11:21Z)
• Two-Stage COVID19 Classification Using BERT Features [4.162019309587633]
  二重BERT特徴抽出を用いた肺CTスキャンスライス画像からのCOVID1-19自動診断フレームワークを提案する。 最初のBERT特徴抽出において、3D-CNNはCNNの内部特徴マップを抽出するために最初に使用される。 この3D-CNN-BERT分類ネットワークは、まず、元のCTスキャンボリューム毎に、サンプル化された固定数のスライス画像に基づいて訓練される。 第2段階では、CTスキャンボリュームごとのスライス画像に3D-CNN-BERT埋め込み機能を抽出し、これらの特徴を一定数のセグメントに平均化する。
  論文  参考訳（メタデータ） (2022-06-29T19:01:37Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Data Augmentation and CNN Classification For Automatic COVID-19 Diagnosis From CT-Scan Images On Small Dataset [0.0]
  肺CT画像からのCOVID1-19自動診断フレームワークを提案する。 本論文では,複数のHounsfield Unit(HU)正規化ウィンドウを用いた一意かつ効果的なデータ拡張手法を提案する。 トレーニング・検証データセットでは,患者の分類精度は93.39%である。
  論文  参考訳（メタデータ） (2021-08-16T15:23:00Z)
• ViPTT-Net: Video pretraining of spatio-temporal model for tuberculosis type classification from chest CT scans [0.0]
  事前学習は、限られたデータから学習し、一般化を改善する深層学習への関心を喚起した。 我々は、現実的なビデオでモデルを事前訓練することで、モデルをゼロからトレーニングするよりも、パフォーマンスを向上させることができるかどうかを考察する。 我々のモデルは ViPTT-Net と呼ばれ、人間の活動のラベル付き1300本以上のビデオクリップで訓練され、その後、結核型のラベル付き胸部CTスキャンで微調整された。
  論文  参考訳（メタデータ） (2021-05-26T20:00:31Z)
• Holistic Image Manipulation Detection using Pixel Co-occurrence Matrices [16.224649756613655]
  digital image forensicsは、デジタル操作された画像を検出することを目的としている。 文献におけるほとんどの検出方法は、特定の種類の操作を検出することに焦点を当てている。 本稿では,画素共起行列と深層学習を組み合わせることで,改ざん画像を検出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-04-12T17:54:42Z)
• Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
  3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
  論文  参考訳（メタデータ） (2020-12-14T05:22:49Z)
• Automatic Segmentation, Localization, and Identification of Vertebrae in 3D CT Images Using Cascaded Convolutional Neural Networks [22.572414102512358]
  本稿では, 3次元CT画像における椎骨の自動分割, 局所化, 同定の方法を提案する。 提案手法は,すべてのタスクを仮定なしで単一のマルチステージフレームワークで処理する。 平均Diceスコアは96%,平均定位誤差は8.3mm,平均識別率は84%であった。
  論文  参考訳（メタデータ） (2020-09-29T06:11:37Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。