論文の概要: Adaptive Few-Shot Learning PoC Ultrasound COVID-19 Diagnostic System

• arxiv url: http://arxiv.org/abs/2109.03793v1
• Date: Wed, 8 Sep 2021 17:29:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-09 13:35:48.681967
• Title: Adaptive Few-Shot Learning PoC Ultrasound COVID-19 Diagnostic System
• Title（参考訳）: 適応型深部学習型PoC超音波COVID-19診断システム
• Authors: Michael Karnes, Shehan Perera, Srikar Adhikari, Alper Yilmaz
• Abstract要約: 本稿では,PoC COVID-19 診断システムについて紹介する。 適応的な視覚診断は、少数ショットの学習を利用して、エンコードされた疾患状態モデルを生成する。 この作業のコードはGitHubで公開され、受理される。
• 参考スコア（独自算出の注目度）: 0.5735035463793008
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents a novel ultrasound imaging point-of-care (PoC) COVID-19 diagnostic system. The adaptive visual diagnostics utilize few-shot learning (FSL) to generate encoded disease state models that are stored and classified using a dictionary of knowns. The novel vocabulary based feature processing of the pipeline adapts the knowledge of a pretrained deep neural network to compress the ultrasound images into discrimative descriptions. The computational efficiency of the FSL approach enables high diagnostic deep learning performance in PoC settings, where training data is limited and the annotation process is not strictly controlled. The algorithm performance is evaluated on the open source COVID-19 POCUS Dataset to validate the system's ability to distinguish COVID-19, pneumonia, and healthy disease states. The results of the empirical analyses demonstrate the appropriate efficiency and accuracy for scalable PoC use. The code for this work will be made publicly available on GitHub upon acceptance.
• Abstract（参考訳）: 本稿では,新しい超音波画像診断システム(poc)について述べる。 適応型視覚診断は、数ショット学習(FSL)を使用して、既知の辞書を用いて格納され分類される符号化された疾患状態モデルを生成する。 パイプラインの新たな語彙に基づく特徴処理は、事前訓練されたディープニューラルネットワークの知識に適応し、超音波画像を識別的記述に圧縮する。 FSL手法の計算効率は、トレーニングデータが制限され、アノテーションプロセスが厳密に制御されていないPoC設定において高い診断深層学習性能を実現する。 アルゴリズムのパフォーマンスは、オープンソースのCOVID-19 POCUS Datasetで評価され、新型コロナウイルス、肺炎、健康な疾患の状態を識別するシステムの能力を検証する。 実験結果から,pocのスケーラブルな使用に適した効率と精度が得られた。 この作業のコードは、受け入れ次第、githubで公開される予定だ。

関連論文リスト

• Detection of COVID19 in Chest X-Ray Images Using Transfer Learning [0.0]
  本稿では,VGG-16とVGG-19という,最もよく知られた2つのVGGNetアーキテクチャを用いたトランスファーラーニングの概念について検討する。 我々は,複数クラスとバイナリの分類問題において,正のCovid-19インスタンスを識別するために,提案システムの性能を評価するために2つの異なるデータセットを生成した。
  論文  参考訳（メタデータ） (2023-04-09T05:02:04Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Colorectal Polyp Classification from White-light Colonoscopy Images via Domain Alignment [57.419727894848485]
  大腸内視鏡画像からの正確な診断を支援するためには,コンピュータ支援診断システムが必要である。 これまでのほとんどの研究では、Narrow-Band Imaging (NBI) や他の拡張画像を用いて、ポリプの分化モデルの開発を試みている。 正確な大腸ポリープ分類のための教師/学生アーキテクチャに基づく新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-08-05T09:31:46Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• COVID-CLNet: COVID-19 Detection with Compressive Deep Learning Approaches [0.0]
  本稿ではCTスキャン画像を用いたコンピュータ支援検出システムを提案する。 この強化されたディープラーニングネットワーク(CLNet)は、ディープラーニング(DL)ネットワークの実装に基づいている。 異なる圧縮方法で行われた実験は、新型コロナウイルス検出の有望な結果を示している。
  論文  参考訳（メタデータ） (2020-12-03T19:56:48Z)
• Explainable-by-design Semi-Supervised Representation Learning for COVID-19 Diagnosis from CT Imaging [23.918269366873567]
  本稿では,変分オートエンコーダを用いて効率的な特徴埋め込みを抽出する半教師付き分類パイプラインに基づく説明可能なディープラーニング手法を提案する。 説明可能な分類結果から, 提案する診断システムは, 新型コロナウイルスの分類に極めて有効である。
  論文  参考訳（メタデータ） (2020-11-23T20:51:22Z)
• Learning Diagnosis of COVID-19 from a Single Radiological Image [1.9049294570026933]
  条件付き単一画像から学習可能な新しい条件生成モデルCoSinGANを提案する。 我々のCoSinGANは、新型コロナウイルス感染症の視覚所見の条件付き分布を捉え、さらに多様な高解像度の放射線画像の合成を可能にします。 CoSinGANから合成されたサンプルに基づいて訓練された深層分類とセグメンテーションネットワークは、新型コロナウイルス感染の顕著な検出精度を達成する。
  論文  参考訳（メタデータ） (2020-06-06T07:41:28Z)
• Adaptive Feature Selection Guided Deep Forest for COVID-19 Classification with Chest CT [49.09507792800059]
  胸部CT画像に基づくCOVID-19分類のための適応的特徴選択ガイド付き深層林(AFS-DF)を提案する。 AFS-DF on COVID-19 data with 1495 patients of COVID-19 and 1027 patients of community acquired pneumonia (CAP)。
  論文  参考訳（メタデータ） (2020-05-07T06:00:02Z)
• 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)
• 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。