論文の概要: Robust Automated Framework for COVID-19 Disease Identification from a
Multicenter Dataset of Chest CT Scans
- arxiv url: http://arxiv.org/abs/2109.09241v1
- Date: Sun, 19 Sep 2021 22:32:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 06:21:31.122785
- Title: Robust Automated Framework for COVID-19 Disease Identification from a
Multicenter Dataset of Chest CT Scans
- Title（参考訳）: 胸部ctスキャンの多施設データセットによるcovid-19病診断のためのロバスト自動フレームワーク
- Authors: Shahin Heidarian, Parnian Afshar, Nastaran Enshaei, Farnoosh
Naderkhani, Moezedin Javad Rafiee, Anastasia Oikonomou, Akbar Shafiee, Pascal
N. Tyrrell, Faranak Babaki Fard, Konstantinos N. plataniotis, Arash Mohammadi
- Abstract要約: 提案モデルでは,特定の走査プロトコルを用いて,1つのイメージングセンタのみから取得した比較的小さなデータセットに基づいてトレーニングを行った。
また、列車とテストセット間のデータシフトに対処するため、教師なしアプローチでモデルを更新できることを示した。
実験の結果,提案手法は全テストセットに対して96.15%の精度で良好に動作することがわかった。
- 参考スコア（独自算出の注目度）: 27.29759500174996
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The objective of this study is to develop a robust deep learning-based
framework to distinguish COVID-19, Community-Acquired Pneumonia (CAP), and
Normal cases based on chest CT scans acquired in different imaging centers
using various protocols, and radiation doses. We showed that while our proposed
model is trained on a relatively small dataset acquired from only one imaging
center using a specific scanning protocol, the model performs well on
heterogeneous test sets obtained by multiple scanners using different technical
parameters. We also showed that the model can be updated via an unsupervised
approach to cope with the data shift between the train and test sets and
enhance the robustness of the model upon receiving a new external dataset from
a different center. We adopted an ensemble architecture to aggregate the
predictions from multiple versions of the model. For initial training and
development purposes, an in-house dataset of 171 COVID-19, 60 CAP, and 76
Normal cases was used, which contained volumetric CT scans acquired from one
imaging center using a constant standard radiation dose scanning protocol. To
evaluate the model, we collected four different test sets retrospectively to
investigate the effects of the shifts in the data characteristics on the
model's performance. Among the test cases, there were CT scans with similar
characteristics as the train set as well as noisy low-dose and ultra-low dose
CT scans. In addition, some test CT scans were obtained from patients with a
history of cardiovascular diseases or surgeries. The entire test dataset used
in this study contained 51 COVID-19, 28 CAP, and 51 Normal cases. Experimental
results indicate that our proposed framework performs well on all test sets
achieving total accuracy of 96.15% (95%CI: [91.25-98.74]), COVID-19 sensitivity
of 96.08% (95%CI: [86.54-99.5]), CAP sensitivity of 92.86% (95%CI:
[76.50-99.19]).
- Abstract（参考訳）: 本研究の目的は,様々な画像センタで取得した胸部ctスキャンと放射線線量に基づいて,covid-19,市中肺炎(cap),正常症例を識別するための強固な深層学習に基づく枠組みを開発することである。
提案手法は,特定の走査プロトコルを用いて1つの撮像センタから取得した比較的小さなデータセット上でトレーニングされるが,複数のスキャナが異なる技術パラメータを用いて取得した異種テストセット上では良好に動作することを示した。
また、列車とテストセット間のデータシフトに対応し、別のセンターから新しい外部データセットを受け取ることでモデルの堅牢性を高めるために、教師なしのアプローチでモデルを更新することが可能であることを示した。
モデルの複数のバージョンから予測を集約するために,アンサンブルアーキテクチャを採用した。
最初の訓練と開発目的のために、標準放射線線量スキャンプロトコルを用いて1つのイメージングセンターから取得したボリュームCTを含む171 COVID-19, 60 CAP, 76の正常症例の社内データセットが使用された。
モデルを評価するために,データ特性の変化がモデルの性能に与える影響を検討するために,4つの異なるテストセットを振り返って収集した。
試験例では,列車セットと類似したCTスキャン,低用量および超低用量CTスキャンが検出された。
また、心臓血管疾患や手術歴のある患者からいくつかのctスキャンが得られた。
この研究で使用されたテストデータセットは、51のcovid-19、28のcap、51の正常例であった。
実験の結果,本フレームワークは96.15% (95%CI: [91.25-98.74]), 新型コロナウイルス感受性96.08% (95%CI: [86.54-99.5]), CAP感受性92.86% (95%CI: [76.50-99.19]) を達成できることを確認した。
関連論文リスト
- CIRCA: comprehensible online system in support of chest X-rays-based
COVID-19 diagnosis [37.41181188499616]
深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。
5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。
The U-Net-based model was developed to identified a clinically relevant region of the CXR。
論文 参考訳（メタデータ） (2022-10-11T13:30:34Z) - A Novel Implementation of Machine Learning for the Efficient,
Explainable Diagnosis of COVID-19 from Chest CT [0.0]
本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。
提案したモデルは0.927の総合精度と0.958の感度を得た。
論文 参考訳（メタデータ） (2022-06-15T18:35:22Z) - 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) - Deep learning-based detection of intravenous contrast in computed
tomography scans [0.7313653675718069]
CTスキャンにおける静脈内(IV)コントラストの同定は、モデル開発と試験のためのデータキュレーションの鍵となる要素である。
我々は,CTスキャン内でIVコントラストを識別するCNNベースのディープラーニングプラットフォームを開発し,検証した。
論文 参考訳（メタデータ） (2021-10-16T00:46:45Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳（メタデータ） (2020-12-23T14:38:35Z) - 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) - Study of Different Deep Learning Approach with Explainable AI for
Screening Patients with COVID-19 Symptoms: Using CT Scan and Chest X-ray
Image Dataset [1.4680035572775532]
新型コロナウイルスの感染拡大で、米国だけでもこれまでに10万人以上の死者が出た。
患者数の増加に伴い、利用可能なテストキットでテストを実施するのが難しくなっている。
本研究の目的は、CTスキャンと胸部X線画像データセットの両方において、より正確な精度で新型コロナウイルス患者を検出できるディープラーニングベースのモデルを開発することである。
論文 参考訳（メタデータ） (2020-07-24T13:51:58Z) - 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) - Automated Detection of COVID-19 from CT Scans Using Convolutional Neural
Networks [0.0]
COVID-19はSARS-CoV 2003と同様の呼吸器障害を引き起こす感染症である。
U-Netアーキテクチャを用いて2次元セグメンテーションモデルを構築し,感染領域をマークアウトして出力する。
論文 参考訳（メタデータ） (2020-06-23T06:50:41Z) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳（メタデータ） (2020-04-15T12:30:40Z)
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。