論文の概要: Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation

• arxiv url: http://arxiv.org/abs/2109.03478v1
• Date: Wed, 8 Sep 2021 07:56:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-09 13:37:13.064100
• Title: Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation
• Title（参考訳）: ドメイン適応によるCT画像からのCOVID-19のクロスサイト重症度評価
• Authors: Geng-Xin Xu, Chen Liu, Jun Liu, Zhongxiang Ding, Feng Shi, Man Guo, Wei Zhao, Xiaoming Li, Ying Wei, Yaozong Gao, Chuan-Xian Ren, Dinggang Shen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 64.59521853145368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early and accurate severity assessment of Coronavirus disease 2019 (COVID-19) based on computed tomography (CT) images offers a great help to the estimation of intensive care unit event and the clinical decision of treatment planning. To augment the labeled data and improve the generalization ability of the classification model, it is necessary to aggregate data from multiple sites. This task faces several challenges including class imbalance between mild and severe infections, domain distribution discrepancy between sites, and presence of heterogeneous features. In this paper, we propose a novel domain adaptation (DA) method with two components to address these problems. The first component is a stochastic class-balanced boosting sampling strategy that overcomes the imbalanced learning problem and improves the classification performance on poorly-predicted classes. The second component is a representation learning that guarantees three properties: 1) domain-transferability by prototype triplet loss, 2) discriminant by conditional maximum mean discrepancy loss, and 3) completeness by multi-view reconstruction loss. Particularly, we propose a domain translator and align the heterogeneous data to the estimated class prototypes (i.e., class centers) in a hyper-sphere manifold. Experiments on cross-site severity assessment of COVID-19 from CT images show that the proposed method can effectively tackle the imbalanced learning problem and outperform recent DA approaches.
• Abstract（参考訳）: CT画像を用いたコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は、集中治療単位イベントの推定と治療計画の決定に大いに役立つ。 ラベル付きデータを強化し、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。 この課題には、軽度の感染症と重度の感染症の階級的不均衡、部位間のドメイン分布の相違、不均一な特徴の存在などが含まれる。 本稿では,これらの問題に対処する2つの要素を持つ新しいドメイン適応(DA)手法を提案する。 第1のコンポーネントは確率的クラスバランス強化サンプリング戦略であり、不均衡な学習問題を克服し、予測不良なクラスにおける分類性能を改善する。 第2の要素は、3つの特性を保証する表現学習である: 1)プロトタイプ三重項損失によるドメイン転送可能性、2)条件付き最大平均不一致による判別、3)マルチビュー再構成損失による完全性。 特に、ドメイントランスレータを提案し、その不均一なデータを超球面多様体における推定クラスプロトタイプ(すなわち、クラス中心)に整列させる。 CT画像を用いたクロスサイト重症度評価実験の結果,提案手法は不均衡な学習問題に効果的に対処でき,近年のDAアプローチよりも優れていた。

関連論文リスト

• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• Cross-Database and Cross-Channel ECG Arrhythmia Heartbeat Classification Based on Unsupervised Domain Adaptation [0.0]
  ドメイン間の特徴差の最適化に基づくドメイン適応型ディープネットワークを提案する。 本手法は,事前学習,クラスタ中心計算,適応の3段階からなる。 提案手法は, 異所性ビート検出における他の最先端手法と比較して, 優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-06-07T13:46:49Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• ReCasNet: Improving consistency within the two-stage mitosis detection framework [5.263015177621435]
  既存のアプローチでは、潜在的な有糸分裂細胞の位置を特定するための検出ステージと、予測信頼性を精査するための分類ステージという、2段階のパイプラインが使用されている。 このパイプライン定式化は、検出段階の予測品質の低下と、トレーニングデータ分布のミスマッチによる分類段階の不整合につながる可能性がある。 Refine Cascade Network(ReCasNet)は,先述した問題を3つの改善で軽減する,拡張されたディープラーニングパイプラインである。
  論文  参考訳（メタデータ） (2022-02-28T16:03:14Z)
• Domain adaptation based self-correction model for COVID-19 infection segmentation in CT images [23.496487874821756]
  CT画像を用いた新型コロナウイルス感染セグメント化のためのドメイン適応型自己補正モデル(DASC-Net)を提案する。 DASC-Netは、ドメインシフトを解決するための新しい注目と機能ドメイン拡張ドメイン適応モデル(AFD-DA)と、結果を洗練するための自己補正学習プロセスから構成される。 3つの公開可能なCOVID-19 CTデータセットに対する大規模な実験は、DASC-Netが最先端のセグメンテーション、ドメインシフト、および新型コロナウイルス感染セグメンテーションメソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2021-04-20T00:45:01Z)
• Consistent Posterior Distributions under Vessel-Mixing: A Regularization for Cross-Domain Retinal Artery/Vein Classification [30.30848090813239]
  網膜A/V分類におけるクロスドメイン学習のための船舶混合型整合性正規化フレームワークを提案する。 提案手法は,対象ドメインに対する教師付き学習によって得られる上界に近い,最先端のクロスドメイン性能を実現する。
  論文  参考訳（メタデータ） (2021-03-16T14:18:35Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• 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。