論文の概要: Visual Transformer with Statistical Test for COVID-19 Classification

• arxiv url: http://arxiv.org/abs/2107.05334v1
• Date: Mon, 12 Jul 2021 11:48:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-13 20:13:44.821040
• Title: Visual Transformer with Statistical Test for COVID-19 Classification
• Title（参考訳）: ウイルスの分類のための統計的検査機能を備えたビジュアルトランスフォーマー
• Authors: Chih-Chung Hsu, Guan-Lin Chen, and Mei-Hsuan Wu
• Abstract要約: Chest CTスキャンの新型コロナウイルス分類のほとんどのスキームは、単一スライスレベルに基づいている。 我々は,CTスキャンのCOVID-19を予測し,この問題に対処するための2次元および3次元モデルを提案する。
• 参考スコア（独自算出の注目度）: 3.8361014991148785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the massive damage in the world caused by Coronavirus Disease 2019 SARS-CoV-2 (COVID-19), many related research topics have been proposed in the past two years. The Chest Computed Tomography (CT) scans are the most valuable materials to diagnose the COVID-19 symptoms. However, most schemes for COVID-19 classification of Chest CT scan is based on a single-slice level, implying that the most critical CT slice should be selected from the original CT scan volume manually. We simultaneously propose 2-D and 3-D models to predict the COVID-19 of CT scan to tickle this issue. In our 2-D model, we introduce the Deep Wilcoxon signed-rank test (DWCC) to determine the importance of each slice of a CT scan to overcome the issue mentioned previously. Furthermore, a Convolutional CT scan-Aware Transformer (CCAT) is proposed to discover the context of the slices fully. The frame-level feature is extracted from each CT slice based on any backbone network and followed by feeding the features to our within-slice-Transformer (WST) to discover the context information in the pixel dimension. The proposed Between-Slice-Transformer (BST) is used to aggregate the extracted spatial-context features of every CT slice. A simple classifier is then used to judge whether the Spatio-temporal features are COVID-19 or non-COVID-19. The extensive experiments demonstrated that the proposed CCAT and DWCC significantly outperform the state-of-the-art methods.
• Abstract（参考訳）: コロナウイルス19年SARS-CoV-2(COVID-19)による世界の大きな被害を受け、過去2年間に多くの関連研究トピックが提案されている。 Chest Computed Tomography(CT)スキャンは、新型コロナウイルスの症状を診断するための最も貴重な材料である。 しかし、Chest CTスキャンのCOVID-19分類のほとんどのスキームは、単一のスライスレベルに基づいており、最も重要なCTスライスをオリジナルのCTスキャンボリュームから手動で選択すべきであることを示している。 我々は同時に,ctスキャンのcovid-19を予測するための2次元モデルと3次元モデルを提案する。 2次元モデルでは,DWCC(Deep Wilcoxon signed-rank test)を導入し,CTスキャンの各スライスの重要性を判定し,上記の問題を克服する。 さらに,CTスキャン・アウェア変換器(CCAT)を提案し,スライスのコンテキストを完全に把握する。 フレームレベルの特徴は、バックボーンネットワークに基づいて各ctスライスから抽出され、その特徴をwst(inside-slice-transformer)に送ってピクセル次元のコンテキスト情報を検出する。 提案したInterface-Slice-Transformer (BST) は,CTスライス毎に抽出した空間コンテキストの特徴を集約するために用いられる。 次に簡単な分類器を使用して、時空間の特徴がCOVID-19か非COVID-19かを判断する。 実験の結果,提案したCCATとDWCCは最先端の手法よりも優れていた。

関連論文リスト

• COVID-19 detection using ViT transformer-based approach from Computed Tomography Images [0.0]
  我々は,CT画像を用いた新型コロナウイルス診断の精度と効率を高めるための新しいアプローチを提案する。 224x224サイズの入力画像に対して設定されたベースViT変換器を用いて、バイナリ分類タスクに適合するように出力を変更する。 本手法では,患者のCTスライスをCOVID-19または非COVID-19に分類し,系統的な患者レベルの予測戦略を実装した。
  論文  参考訳（メタデータ） (2023-10-12T09:37:56Z)
• Adaptive GLCM sampling for transformer-based COVID-19 detection on CT [15.721176922155406]
  本稿では,新しいデータキュレーションと適応サンプリング手法を用いたトランスフォーマーを用いたCOVID-19検出手法を提案する。 実験結果から,提案手法はモデル変更の困難さを伴わずに,大きなマージンで検出性能を向上することを示した。
  論文  参考訳（メタデータ） (2022-07-04T15:31:21Z)
• COVIDx CT-3: A Large-scale, Multinational, Open-Source Benchmark Dataset for Computer-aided COVID-19 Screening from Chest CT Images [82.74877848011798]
  胸部CT画像から新型コロナウイルスの症例を検出するための大規模ベンチマークデータセットであるCOVIDx CT-3を紹介する。 COVIDx CT-3には、少なくとも17カ国で6,068人の患者から431,205個のCTスライスが含まれている。 我々は, COVIDx CT-3データセットのデータ多様性と潜在的なバイアスについて検討し, 地理的, 集団的不均衡について検討した。
  論文  参考訳（メタデータ） (2022-06-07T06:35:48Z)
• 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)
• Quadruple Augmented Pyramid Network for Multi-class COVID-19 Segmentation via CT [1.6815638149823744]
  新型コロナウイルス(COVID-19)は、世界で最も深刻な感染症の1つとなっています。 本稿では,放射線科医が肺の容積を推定するためのマルチクラスctセグメンテーションを提案する。
  論文  参考訳（メタデータ） (2021-03-09T16:48:15Z)
• 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)
• COVID-FACT: A Fully-Automated Capsule Network-based Framework for Identification of COVID-19 Cases from Chest CT scans [29.327290778950324]
  我々は「COVID-FACT」と呼ばれる新型コロナウイルス陽性症例の同定のための2段階完全自動化フレームワークを提案する。 COVID-FACTは感染したスライスを検出し、社内CTスキャンデータセットを使用して陽性のCOVID-19患者を特定する。 この実験に基づいて、COVID-FACTは90.82%の精度、94.55%の感度、86.04%の特異度、および0.98のエリアアンダー・ザ・カーブ(AUC)を達成できるが、監督やアノテーションははるかに少ない。
  論文  参考訳（メタデータ） (2020-10-30T03:30:22Z)
• COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
  我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。 また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
  論文  参考訳（メタデータ） (2020-09-08T15:49:55Z)
• Multi-Task Driven Explainable Diagnosis of COVID-19 using Chest X-ray Images [61.24431480245932]
  COVID-19 Multi-Task Networkは、新型コロナウイルススクリーニングのためのエンドツーエンドネットワークである。 我々は,ChestXray-14,CheXpertおよび統合型COVID-19データセットから採取した9000個の前頭胸部X線写真から肺領域を手動で注釈した。 このデータベースは研究コミュニティに公開されます。
  論文  参考訳（メタデータ） (2020-08-03T12:52:23Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。