論文の概要: 3D RegNet: Deep Learning Model for COVID-19 Diagnosis on Chest CT Image
- arxiv url: http://arxiv.org/abs/2107.04055v1
- Date: Thu, 8 Jul 2021 18:10:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-12 13:53:26.826235
- Title: 3D RegNet: Deep Learning Model for COVID-19 Diagnosis on Chest CT Image
- Title（参考訳）: 3D RegNet:胸部CT画像におけるCOVID-19診断のためのディープラーニングモデル
- Authors: Haibo Qi, Yuhan Wang, Xinyu Liu
- Abstract要約: 新型コロナウイルス感染症(Covid-19)患者の身体状態を診断するための3D-RegNetベースのニューラルネットワークを提案する。
その結果、3Dモデルの試験セット,f1スコア0.8379,AUC値0.8807が達成された。
- 参考スコア（独自算出の注目度）: 9.407002591446286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, a 3D-RegNet-based neural network is proposed for diagnosing
the physical condition of patients with coronavirus (Covid-19) infection. In
the application of clinical medicine, lung CT images are utilized by
practitioners to determine whether a patient is infected with coronavirus.
However, there are some laybacks can be considered regarding to this diagnostic
method, such as time consuming and low accuracy. As a relatively large organ of
human body, important spatial features would be lost if the lungs were
diagnosed utilizing two dimensional slice image. Therefore, in this paper, a
deep learning model with 3D image was designed. The 3D image as input data was
comprised of two-dimensional pulmonary image sequence and from which relevant
coronavirus infection 3D features were extracted and classified. The results
show that the test set of the 3D model, the result: f1 score of 0.8379 and AUC
value of 0.8807 have been achieved.
- Abstract（参考訳）: 本稿では,3D-RegNetを用いたニューラルネットワークを用いて,新型コロナウイルス(Covid-19)感染患者の身体状態の診断を行う。
臨床医学の応用では、患者が新型コロナウイルスに感染しているかどうかを判断するために、実践者が肺CT画像を利用する。
しかし、この診断方法には、時間消費や精度の低下など、いくつかの欠点が考えられる。
人体の比較的大きな臓器として、2次元スライス画像を用いて肺を診断すれば、重要な空間的特徴は失われる。
そこで本研究では3次元画像を用いたディープラーニングモデルを構築した。
入力データとしての3D画像は2次元肺画像シーケンスからなり、そこから関連する3D特徴を抽出し分類した。
その結果、3Dモデルの試験セット,f1スコア0.8379,AUC値0.8807が達成された。
関連論文リスト
- Medical Slice Transformer: Improved Diagnosis and Explainability on 3D Medical Images with DINOv2 [1.6275928583134276]
医用スライストランスフォーマー(MST)フレームワークを導入し,3次元医用画像解析に2次元自己監督モデルを適用した。
MSTは畳み込みニューラルネットワークと比較して、診断精度と説明性の向上を提供する。
論文 参考訳（メタデータ） (2024-11-24T12:11:11Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - 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) - 3D-GMIC: an efficient deep neural network to find small objects in large
3D images [41.334361182700164]
3Dイメージングは、臓器解剖に関する空間情報を提供することにより、より正確な診断を可能にする。
AIモデルのトレーニングに3Dイメージを使用することは、その2Dモデルよりも数十から数百倍のピクセルで構成されているため、計算的に困難である。
本稿では,3次元医用画像の完全解像度で計算効率の良い分類を可能にするニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-10-16T21:58:54Z) - Res-Dense Net for 3D Covid Chest CT-scan classification [4.587122314291089]
重み付きディープニューラルネットワークを用いて3次元CTスキャン画像からCovid 19を検出する手法を提案する。
この手法は,いくつかの評価指標において競合性能を達成する。
論文 参考訳（メタデータ） (2022-08-09T09:13:00Z) - Effect of Input Size on the Classification of Lung Nodules Using
Convolutional Neural Networks [0.12891210250935145]
低用量CTによる肺がん検診は,従来の胸部X線撮影と比較して肺がん死亡率を20%低下させる。
コンピュータ支援検出システム(CAD)は,CTスキャンのスライス数を最大600にし,高速かつ高精度なデータ評価に極めて重要である。
本研究では, 畳み込みニューラルネットワーク(CNN)を用いてCT肺検診を解析し, 偽陽性を減少させる枠組みを提案する。
論文 参考訳（メタデータ） (2021-07-11T16:52:30Z) - 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。
本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。
本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文 参考訳（メタデータ） (2021-04-04T20:30:14Z) - COVID-19 identification from volumetric chest CT scans using a
progressively resized 3D-CNN incorporating segmentation, augmentation, and
class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。
高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。
本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文 参考訳（メタデータ） (2021-02-11T18:16:18Z) - 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) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z)
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。