論文の概要: COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep
Convolutional Neural Network Design for Detection of COVID-19 Patient Cases
from Point-of-care Ultrasound Imaging
- arxiv url: http://arxiv.org/abs/2108.03131v1
- Date: Thu, 5 Aug 2021 16:47:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-09 14:44:47.589974
- Title: COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep
Convolutional Neural Network Design for Detection of COVID-19 Patient Cases
from Point-of-care Ultrasound Imaging
- Title（参考訳）: COVID-Net US: ポイント・オブ・ケア超音波画像によるCOVID-19患者の検出のための、高能率、高能率、自己注意型深層畳み込みニューラルネットワーク設計
- Authors: Alexander MacLean, Saad Abbasi, Ashkan Ebadi, Andy Zhao, Maya Pavlova,
Hayden Gunraj, Pengcheng Xi, Sonny Kohli, and Alexander Wong
- Abstract要約: 我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。
実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。
リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
- 参考スコア（独自算出の注目度）: 101.27276001592101
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Coronavirus Disease 2019 (COVID-19) pandemic has impacted many aspects of
life globally, and a critical factor in mitigating its effects is screening
individuals for infections, thereby allowing for both proper treatment for
those individuals as well as action to be taken to prevent further spread of
the virus. Point-of-care ultrasound (POCUS) imaging has been proposed as a
screening tool as it is a much cheaper and easier to apply imaging modality
than others that are traditionally used for pulmonary examinations, namely
chest x-ray and computed tomography. Given the scarcity of expert radiologists
for interpreting POCUS examinations in many highly affected regions around the
world, low-cost deep learning-driven clinical decision support solutions can
have a large impact during the on-going pandemic. Motivated by this, we
introduce COVID-Net US, a highly efficient, self-attention deep convolutional
neural network design tailored for COVID-19 screening from lung POCUS images.
Experimental results show that the proposed COVID-Net US can achieve an AUC of
over 0.98 while achieving 353X lower architectural complexity, 62X lower
computational complexity, and 14.3X faster inference times on a Raspberry Pi.
Clinical validation was also conducted, where select cases were reviewed and
reported on by a practicing clinician (20 years of clinical practice)
specializing in intensive care (ICU) and 15 years of expertise in POCUS
interpretation. To advocate affordable healthcare and artificial intelligence
for resource-constrained environments, we have made COVID-Net US open source
and publicly available as part of the COVID-Net open source initiative.
- Abstract（参考訳）: 新型コロナウイルス感染症(COVID-19)のパンデミックは世界の生活の多くの側面に影響を与えており、その影響を緩和する重要な要因は、感染の個人をスクリーニングすることである。
ポイント・オブ・ケア・超音波(POCUS)イメージングは、胸部X線やCTなどの従来の肺検査で用いられるものよりもずっと安価で、画像のモダリティを適用できるため、スクリーニングツールとして提案されている。
世界中の多くの地域でPOCUS検査の解釈に専門家の放射線学者が不足していることを考えると、低コストのディープラーニングによる臨床診断支援ソリューションは、現在進行中のパンデミックの間に大きな影響を与える可能性がある。
肺POCUS画像からのCOVID-19スクリーニングに適した,高効率かつ自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。
実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。
また,集中治療専門医(ICU)15年,POCUS解釈専門医(POCUS)15年を対象とする臨床研修医(20年臨床実習)による臨床検証と報告を行った。
リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
関連論文リスト
- COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical
Network to Monitor and Detect COVID-19 Infection from Point-of-Care
Ultrasound Images [66.63200823918429]
COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。
ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
論文 参考訳（メタデータ） (2023-01-04T16:05:51Z) - A Transfer Learning Based Approach for Classification of COVID-19 and
Pneumonia in CT Scan Imaging [0.0]
世界は依然として新型コロナウイルス(COVID-19)の感染拡大に圧倒されている。2021年11月時点の感染者は2億5000万人を超え、219か国、領土に影響を及ぼし、世界はパンデミック期にある。
本研究は、COVID-19肺炎患者、細菌性肺炎、ウイルス性肺炎、健康な(正常な)患者を分類するためのディープラーニングに基づくアプローチを提案することを目的とする。
提案手法は, 実装コストを低減し, 地理的に異なる地域, 特に農村部, 開発地域において容易に実装, 利用できるように, 意図的に単純化されている。
論文 参考訳（メタデータ） (2022-10-17T20:08:41Z) - Covid-19 diagnosis from x-ray using neural networks [0.0]
コロナウイルスや新型コロナウイルス(COVID-19)はパンデミックの病気であり、世界中で何百万もの因果関係に影響を与えている。
本稿では,進行胸部X線画像からのCOVID-19のプログラム認識手法を提案する。
論文 参考訳（メタデータ） (2021-05-29T16:12:15Z) - COVID-Net CT-S: 3D Convolutional Neural Network Architectures for
COVID-19 Severity Assessment using Chest CT Images [85.00197722241262]
我々は、新型コロナウイルス感染による肺疾患の重症度を予測するための深層畳み込みニューラルネットワークであるCOVID-Net CT-Sを紹介した。
3D残像設計を利用して、新型コロナウイルスの肺疾患の重症度を特徴付ける容積的視覚指標を学習する。
論文 参考訳（メタデータ） (2021-05-04T04:44:41Z) - COVID-Net CXR-S: Deep Convolutional Neural Network for Severity
Assessment of COVID-19 Cases from Chest X-ray Images [74.77272804752306]
胸部CXR画像に基づくSARS-CoV-2陽性患者の空間重症度を予測する畳み込みニューラルネットワークであるCOVID-Net CXR-Sについて紹介する。
患者15,000人以上の多国籍コホートから得られた16,000以上のCXR画像から得られた表現的知識を,重症度評価のためのカスタムネットワークアーキテクチャへ伝達する。
提案したCXR-Sは、新型コロナウイルス陽性患者のCXR画像のコンピュータ支援による重症度評価のための強力なツールとなる可能性がある。
論文 参考訳（メタデータ） (2021-05-01T14:15:12Z) - COVID-19 Infection Localization and Severity Grading from Chest X-ray
Images [3.4546388019336143]
コロナウイルス感染症2019(COVID-19)は、2019年12月に出現して以来、世界中で主要な課題となっている。
我々は、11,956のCOVID-19サンプルを含む33,920のCXRイメージで、最大のベンチマークデータセットを構築しました。
このアプローチは、99%以上の感度と特異性の両方で優れたCOVID-19検出性能を達成しました。
論文 参考訳（メタデータ） (2021-03-14T18:06:06Z) - A New Screening Method for COVID-19 based on Ocular Feature Recognition
by Machine Learning Tools [66.20818586629278]
コロナウイルス感染症2019(COVID-19)は、数百万人に影響している。
一般的なCCDやCMOSカメラで撮影された視線領域の画像を分析する新しいスクリーニング手法は、新型コロナウイルスの急激なリスクスクリーニングを確実に実現する可能性がある。
論文 参考訳（メタデータ） (2020-09-04T00:50:27Z) - COVID-Net: A Tailored Deep Convolutional Neural Network Design for
Detection of COVID-19 Cases from Chest X-Ray Images [93.0013343535411]
我々は,胸部X線(CXR)画像から新型コロナウイルスの症例を検出するための,深層畳み込みニューラルネットワーク設計であるCOVID-Netを紹介した。
著者たちの知る限りでは、COVID-NetはCXRイメージからCOVID-19を検出するための、最初のオープンソースネットワーク設計の1つである。
また,13,870人の患者を対象に,13,975個のCXR画像からなるオープンアクセスベンチマークデータセットであるCOVIDxも導入した。
論文 参考訳（メタデータ） (2020-03-22T12:26:36Z)
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。