論文の概要: CCS-GAN: COVID-19 CT-scan classification with very few positive training images

• arxiv url: http://arxiv.org/abs/2110.01605v1
• Date: Fri, 1 Oct 2021 18:07:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-06 14:19:00.070572
• Title: CCS-GAN: COVID-19 CT-scan classification with very few positive training images
• Title（参考訳）: CCS-GAN : 正のトレーニング画像がほとんどないCOVID-19 CTスキャン分類
• Authors: Sumeet Menon, Jayalakshmi Mangalagiri, Josh Galita, Michael Morris, Babak Saboury, Yaacov Yesha, Yelena Yesha, Phuong Nguyen, Aryya Gangopadhyay, David Chapman
• Abstract要約: 我々は,CTスキャンスライスから新型コロナウイルス肺炎を分類できる新しいアルゴリズムを提案する。 アルゴリズムは10個の正のトレーニングスライスで高い分類精度を達成することができる。
• 参考スコア（独自算出の注目度）: 1.5846249630722484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel algorithm that is able to classify COVID-19 pneumonia from CT Scan slices using a very small sample of training images exhibiting COVID-19 pneumonia in tandem with a larger number of normal images. This algorithm is able to achieve high classification accuracy using as few as 10 positive training slices (from 10 positive cases), which to the best of our knowledge is one order of magnitude fewer than the next closest published work at the time of writing. Deep learning with extremely small positive training volumes is a very difficult problem and has been an important topic during the COVID-19 pandemic, because for quite some time it was difficult to obtain large volumes of COVID-19 positive images for training. Algorithms that can learn to screen for diseases using few examples are an important area of research. We present the Cycle Consistent Segmentation Generative Adversarial Network (CCS-GAN). CCS-GAN combines style transfer with pulmonary segmentation and relevant transfer learning from negative images in order to create a larger volume of synthetic positive images for the purposes of improving diagnostic classification performance. The performance of a VGG-19 classifier plus CCS-GAN was trained using a small sample of positive image slices ranging from at most 50 down to as few as 10 COVID-19 positive CT-scan images. CCS-GAN achieves high accuracy with few positive images and thereby greatly reduces the barrier of acquiring large training volumes in order to train a diagnostic classifier for COVID-19.
• Abstract（参考訳）: そこで本研究では,CT Scanスライスから新型コロナウイルス肺炎を分類するアルゴリズムを提案する。 このアルゴリズムは、最大10個の正のトレーニングスライス(10個の正のケースから)を使用して、高い分類精度を達成することができる。 新型コロナウイルス(covid-19)のパンデミックの間、非常に少ない正のトレーニングボリュームを持つディープラーニングは非常に難しい問題であり、非常に長い間、トレーニングのために大量の新型コロナウイルスの正のイメージを得ることが困難だったため、重要なトピックとなっている。 少数の例を使って病気のスクリーニングを学べるアルゴリズムは、重要な研究分野である。 本稿では,Cycle Consistent Segmentation Generative Adversarial Network (CCS-GAN)を提案する。 CCS-GANは、分類性能を向上させるために、より大量の合成陽性画像を作成するために、肺分画と陰性画像からの関連転写学習を併用する。 VGG-19分類器とCCS-GANの性能は、少なくとも50点から10点までの正のCTスキャン画像の小さなサンプルを用いて訓練された。 CCS-GANは、陽性画像が少なく高い精度を実現し、新型コロナウイルスの診断分類器を訓練するために、大規模なトレーニングボリュームを取得する障壁を大幅に低減する。

関連論文リスト

• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• 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)
• COVID-19 Detection Based on Self-Supervised Transfer Learning Using Chest X-Ray Images [38.65823547986758]
  胸部X線(CXR)画像から新型コロナウイルスを検出するための自己教師伝達学習法を提案する。 オープンなCOVID-19 CXRデータセットの定量的評価と,視覚検査のための質的結果について検討した。
  論文  参考訳（メタデータ） (2022-12-19T07:10:51Z)
• Generation of COVID-19 Chest CT Scan Images using Generative Adversarial Networks [0.0]
  SARS-CoV-2は、新型コロナウイルスに感染するウイルス性伝染病で、世界中で急速に広まっている。 拡散を減らすために人々をテストし、分離することが非常に重要であり、ここからは、これを迅速かつ効率的に行う必要がある。 いくつかの研究によると、Chest-CTは、新型コロナウイルス患者の診断において、現在の標準であるRT-PCR検査より優れている。
  論文  参考訳（メタデータ） (2021-05-20T13:04:21Z)
• A novel multiple instance learning framework for COVID-19 severity assessment via data augmentation and self-supervised learning [64.90342559393275]
  新型コロナウイルスの重症度を迅速かつ正確に評価する方法は、世界中の何百万人もの人々がパンデミックに苦しんでいる場合に必要不可欠な問題だ。 CT画像による新型コロナウイルスの重症度自動評価を妨害する可能性のある、弱いアノテーションと不十分なデータという2つの問題があることを観察する。 平均精度は95.8%で、感度は93.6%、特異性は96.4%で、前作より優れていた。
  論文  参考訳（メタデータ） (2021-02-07T16:30:18Z)
• 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)
• 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)
• 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)
• 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)
• Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images [46.844349956057776]
  新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。 新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。 複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-12T16:24:59Z)

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。