Fugu-MT 論文翻訳(概要): COVID Detection in Chest CTs: Improving the Baseline on COV19-CT-DB

論文の概要: COVID Detection in Chest CTs: Improving the Baseline on COV19-CT-DB

arxiv url: http://arxiv.org/abs/2107.04808v1
Date: Sat, 10 Jul 2021 10:39:18 GMT
ステータス: 処理完了
システム内更新日: 2021-07-14 08:27:51.584386
Title: COVID Detection in Chest CTs: Improving the Baseline on COV19-CT-DB
Title（参考訳）: 胸部ctにおけるcov19-ct-dbベースラインの改善
Authors: Radu Miron, Cosmin Moisii, Sergiu Dinu, Mihaela Breaban
Abstract要約: 最初のアプローチは体積論であり、3次元の畳み込みを伴うが、他の2つのアプローチは最初のスライスワイズ分類で実行し、ボリュームレベルで結果を集計する。検証サブセットの最良の結果は、マクロF1スコアの0.92に達し、オーガナイザが設定したベースラインスコアの0.70を大幅に改善する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The paper presents a comparative analysis of three distinct approaches based on deep learning for COVID-19 detection in chest CTs. The first approach is a volumetric one, involving 3D convolutions, while the other two approaches perform at first slice-wise classification and then aggregate the results at the volume level. The experiments are carried on the COV19-CT-DB dataset, with the aim of addressing the challenge raised by the MIA-COV19D Competition within ICCV 2021. Our best results on the validation subset reach a macro-F1 score of 0.92, which improves considerably the baseline score of 0.70 set by the organizers.
Abstract（参考訳）: 胸部CTにおける深層学習に基づく3つの異なるアプローチの比較検討を行った。最初のアプローチは3次元畳み込みを伴うボリュームトリクティックなアプローチで、他の2つのアプローチは最初はスライスワイズ分類を行い、その後ボリュームレベルで結果を集約する。実験はCOV19-CT-DBデータセット上で実施され、ICCV 2021内のMIA-COV19Dコンペティションによって提起された課題に対処することを目的としている。検証サブセットの最良の結果はマクロF1スコアの0.92に達し、オーガナイザが設定したベースラインスコアの0.70を大幅に改善する。

関連論文リスト

Automated Assessment of Critical View of Safety in Laparoscopic Cholecystectomy [51.240181118593114]
胆嚢摘出術(胆嚢摘出術)は米国で最も一般的な手術の一つで、年間1.2万回以上の手術が施行されている。 LCは胆管損傷(BDI)の増加と関連しており、致死率と死亡率が高い。本稿では,LCにおける安全性評価(CVS)の自動化を目的とした深層学習手法を提案する。
論文参考訳（メタデータ） (2023-09-13T22:01:36Z)
Cov3d: Detection of the presence and severity of COVID-19 from CT scans using 3D ResNets [0.0]
Cov3dは、胸部CTスキャンからCOVID19の存在と重症度を検出するための3次元畳み込みニューラルネットワークである。 COVID19の重症度を分類する作業では、マクロf1スコアが0.7552に達する。
論文参考訳（メタデータ） (2022-07-05T05:22:38Z)
FDVTS's Solution for 2nd COV19D Competition on COVID-19 Detection and Severity Analysis [10.334617290353194]
胸部CT画像のCOVID-19診断に有効な3次元コントラシティブ・ミックスアップ分類ネットワークを用いた。新型コロナウイルス検出の課題では、484のCTスキャンで0.9245のマクロF1スコアに達し、ベースライン法を16.5%上回る結果となった。重症度検出の課題では,61検体に対して0.7186マクロF1スコアを達成し,ベースラインを8.86%上回る結果となった。
論文参考訳（メタデータ） (2022-07-05T01:35:29Z)
Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文参考訳（メタデータ） (2021-09-08T07:56:51Z)
COVID-VIT: Classification of COVID-19 from CT chest images based on vision transformer models [0.8594140167290099]
この論文は、CT肺画像に基づいて、非COVIDからCOVIDを分類するMIA-COV19の課題に対応している。主な目的は、胸部X線写真から新型コロナウイルスの診断を予測することである。注目モデルに基づく視覚変換器(ViT)と従来の畳み込みニューラルネットワーク(CNN)に基づくDenseNetの2つのディープラーニング手法について検討した。
論文参考訳（メタデータ） (2021-07-04T16:55:51Z)
COVID-19 Detection in Computed Tomography Images with 2D and 3D Approaches [0.0]
本稿では,スライスベース(2D)とボリュームベース(3D)を組み合わせた,新型コロナウイルス感染症検出のための深層学習アンサンブルを提案する。提案されたアンサンブルはIST-CovNetと呼ばれ、IST-Cデータセットで90.80%の精度と0.95のAUCスコアを得る。 Istanbul University Cerrahpasa School of Medicineで運用されている。
論文参考訳（メタデータ） (2021-05-16T20:12:02Z)
Detecting COVID-19 and Community Acquired Pneumonia using Chest CT scan images with Deep Learning [2.64115216778812]
本研究では、COVID-19 と CAP を検出するための 2 段階の畳み込みニューラルネットワーク (CNN) ベースの分類フレームワークを提案する。提案フレームワークは、COVID-19とCAPの識別において、スライスレベルの分類精度を94%以上達成した。提案フレームワークは、COVID-19とCAPの鑑別診断のための初期スクリーニングツールになる可能性がある。
論文参考訳（メタデータ） (2021-04-11T22:05:19Z)
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)
COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19 from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
論文参考訳（メタデータ） (2021-01-19T03:04:09Z)
End-2-End COVID-19 Detection from Breath & Cough Audio [68.41471917650571]
クラウドソースのオーディオサンプルからエンドツーエンドのディープラーニングを使用してCOVID-19を診断する最初の試みを実証します。本研究では, 人工深層ニューラルネットワークを用いて, 人工呼吸器から新型コロナを診断する新しいモデル戦略を提案する。
論文参考訳（メタデータ） (2021-01-07T01:13:00Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。