Fugu-MT 論文翻訳(概要): DuCN: Dual-children Network for Medical Diagnosis and Similar Case Recommendation towards COVID-19

論文の概要: DuCN: Dual-children Network for Medical Diagnosis and Similar Case Recommendation towards COVID-19

arxiv url: http://arxiv.org/abs/2108.01997v1
Date: Tue, 3 Aug 2021 15:46:53 GMT
ステータス: 処理完了
システム内更新日: 2021-08-05 13:22:01.840199
Title: DuCN: Dual-children Network for Medical Diagnosis and Similar Case Recommendation towards COVID-19
Title（参考訳）: ducn:医療診断のためのデュアルチャイルドネットワークとcovid-19に対する類似のケースレコメンデーション
Authors: Chengtao Peng, Yunfei Long, Senhua Zhu, Dandan Tu, Bin Li
Abstract要約: 新型コロナウイルス感染症(COVID-19)の早期発見は、患者をタイムリーに治療し、治療率を高めるのに役立つ。本稿では,新たな深層学習に基づく検出と類似事例推薦ネットワークを提案する。
参考スコア（独自算出の注目度）: 7.228593209504566
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Early detection of the coronavirus disease 2019 (COVID-19) helps to treat patients timely and increase the cure rate, thus further suppressing the spread of the disease. In this study, we propose a novel deep learning based detection and similar case recommendation network to help control the epidemic. Our proposed network contains two stages: the first one is a lung region segmentation step and is used to exclude irrelevant factors, and the second is a detection and recommendation stage. Under this framework, in the second stage, we develop a dual-children network (DuCN) based on a pre-trained ResNet-18 to simultaneously realize the disease diagnosis and similar case recommendation. Besides, we employ triplet loss and intrapulmonary distance maps to assist the detection, which helps incorporate tiny differences between two images and is conducive to improving the diagnostic accuracy. For each confirmed COVID-19 case, we give similar cases to provide radiologists with diagnosis and treatment references. We conduct experiments on a large publicly available dataset (CC-CCII) and compare the proposed model with state-of-the-art COVID-19 detection methods. The results show that our proposed model achieves a promising clinical performance.
Abstract（参考訳）: 新型コロナウイルス感染症(COVID-19)の早期発見は、患者をタイムリーに治療し、治療率を高めるのに役立つ。本研究では,この流行を抑えるために,新たな深層学習に基づく検出と類似事例推薦ネットワークを提案する。提案するネットワークは2段階あり,第1段階は肺領域の分節段階であり,第2段階は検出・推薦段階である。本枠組みでは,第2段階において,事前に訓練したResNet-18をベースとしたデュアルチャイルドレンネットワーク(DuCN)を開発し,疾患の診断と同様のケースレコメンデーションを実現する。さらに,検出を支援するために三重項損失と肺内距離マップを用い,2つの画像の小さな違いを取り入れ,診断精度の向上に寄与する。確認された各症例について、同様の症例を放射線科医に診断・治療基準を提供する。我々は、大規模な公開データセット(CC-CCII)で実験を行い、提案モデルと最先端のCOVID-19検出手法を比較した。その結果,本モデルでは有望な臨床成績が得られた。

関連論文リスト

Dual-Attention Residual Network for Automatic Diagnosis of COVID-19 [6.941255691176647]
我々は,他の一般的な肺炎患者や正常者から,CT画像を用いてCOVID-19を自動同定する新たな残留ネットワークを提案する。この方法では、他の2つのクラスと94.7%の精度、93.73%の感度、98.28%の特異性、95.26%のF1スコア、および受信機動作特性曲線(AUC)の0.99の領域を区別することができる。
論文参考訳（メタデータ） (2021-05-14T11:59:47Z)
DenResCov-19: A deep transfer learning network for robust automatic classification of COVID-19, pneumonia, and tuberculosis from X-rays [5.018841080179197]
胸部X線画像に基づいて, 新型コロナウイルス, 肺炎, 結核患者を診断するための新しいディープトランスファー学習パイプラインを開発した。提案モデルでは、畳み込みニューラルネットワークブロックを備えた余剰層を作成し、これらの2つのモデルを組み合わせて、どちらのモデルよりも優れた性能を確立する。提案したネットワークの性能を,2クラス(肺炎対健康),3クラス(COVID-19を含む),4クラス(結核を含む)の分類問題で検証した。
論文参考訳（メタデータ） (2021-04-08T18:49:22Z)
Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文参考訳（メタデータ） (2021-04-07T16:23:35Z)
Longitudinal Quantitative Assessment of COVID-19 Infection Progression from Chest CTs [36.71379097297172]
ボクセルレベルの感染を識別し、新型コロナウイルスの進行を可視化する新しい枠組みを提案する。特に,参照スキャン情報を利用した縦断セグメンテーションネットワークを考案し,疾患識別の性能を向上させる。
論文参考訳（メタデータ） (2021-03-12T12:35:11Z)
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)
Classification and Region Analysis of COVID-19 Infection using Lung CT Images and Deep Convolutional Neural Networks [0.8224695424591678]
本研究は、肺CT画像中のCOVID-19感染領域を記述するための2段階の深層畳み込みニューラルネットワーク(CNN)に基づくフレームワークを提案する。第1段階では、2段階の離散ウェーブレット変換を用いて、COVID-19特異的CT画像の特徴を増強する。これらの拡張CT画像は、提案したカスタムメイドの深部CoV-CTNetを用いて分類される。第2段階では、新型コロナウイルス感染症領域の同定と解析のためのセグメンテーションモデルに、感染画像として分類されたCT画像を提供する。
論文参考訳（メタデータ） (2020-09-16T02:28:46Z)
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)
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)
Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文参考訳（メタデータ） (2020-05-06T15:19:15Z)
COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
論文参考訳（メタデータ） (2020-04-30T03:13:40Z)
Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray images using fine-tuned deep neural networks [4.294650528226683]
新型コロナウイルスは肺炎に似た呼吸器症候群である。科学者、研究者、医療専門家は、肺感染症の特定によって、新型コロナウイルスの迅速かつ自動化された診断に貢献している。本稿では,様々な最先端ディープラーニング手法における非バイアスの微調整学習(トランスファーラーニング)に対するランダムなオーバーサンプリングと重み付きクラス損失関数アプローチを提案する。
論文参考訳（メタデータ） (2020-04-23T10:24:34Z)

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。