論文の概要: CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images

• arxiv url: http://arxiv.org/abs/2111.08710v1
• Date: Tue, 16 Nov 2021 15:03:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-18 14:48:50.112221
• Title: CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images
• Title（参考訳）: 線虫マーカーを用いたCNNフィルタによるCT画像からのCOVID-19の示唆的兆候の検出
• Authors: Azael M. Sousa, Fabiano Reis, Rachel Zerbini, Jo\~ao L. D. Comba and Alexandre X. Falc\~ao
• Abstract要約: 畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
• 参考スコア（独自算出の注目度）: 58.720142291102135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early detection of COVID-19 is vital to control its spread. Deep learning methods have been presented to detect suggestive signs of COVID-19 from chest CT images. However, due to the novelty of the disease, annotated volumetric data are scarce. Here we propose a method that does not require either large annotated datasets or backpropagation to estimate the filters of a convolutional neural network (CNN). For a few CT images, the user draws markers at representative normal and abnormal regions. The method generates a feature extractor composed of a sequence of convolutional layers, whose kernels are specialized in enhancing regions similar to the marked ones, and the decision layer of our CNN is a support vector machine. As we have no control over the CT image acquisition, we also propose an intensity standardization approach. Our method can achieve mean accuracy and kappa values of $0.97$ and $0.93$, respectively, on a dataset with 117 CT images extracted from different sites, surpassing its counterpart in all scenarios.
• Abstract（参考訳）: 新型コロナウイルスの早期検出は、感染拡大の抑制に不可欠である。 胸部ct画像から新型コロナウイルスの徴候を検出するための深層学習法が提案されている。 しかし、この疾患の新規性のため、注釈付きボリュームデータが不足している。 本稿では,畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本手法は,カーネルがマークされたものに似た拡張領域に特化している畳み込み層からなる特徴抽出器を生成し,CNNの決定層はサポートベクタマシンである。 我々はCT画像の取得を制御できないので、強度標準化アプローチも提案する。 提案手法は,異なるサイトから抽出された117個のct画像を用いたデータセットにおいて,平均精度とkappa値がそれぞれ0.97$と0.93$をそれぞれ達成できる。

関連論文リスト

• COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19 from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
  胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。 説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。 結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
  論文  参考訳（メタデータ） (2021-01-19T03:04:09Z)
• Classification and Region Analysis of COVID-19 Infection using Lung CT Images and Deep Convolutional Neural Networks [0.8224695424591678]
  本研究は、肺CT画像中のCOVID-19感染領域を記述するための2段階の深層畳み込みニューラルネットワーク(CNN)に基づくフレームワークを提案する。 第1段階では、2段階の離散ウェーブレット変換を用いて、COVID-19特異的CT画像の特徴を増強する。 これらの拡張CT画像は、提案したカスタムメイドの深部CoV-CTNetを用いて分類される。 第2段階では、新型コロナウイルス感染症領域の同定と解析のためのセグメンテーションモデルに、感染画像として分類されたCT画像を提供する。
  論文  参考訳（メタデータ） (2020-09-16T02:28:46Z)
• 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)
• Label-Free Segmentation of COVID-19 Lesions in Lung CT [17.639558085838583]
  ピクセルレベルの異常モデルを用いて,CTで新型コロナウイルスの病変を分類するためのラベルフリーアプローチを提案する。 我々のモデリングは、気管と血管の一部が、病変が属する高強度範囲にあり、強いパターンを示すという観察に着想を得たものである。 実験では,NormNetの有効性を3つの異なるデータセットで検証した。
  論文  参考訳（メタデータ） (2020-09-08T12:38:34Z)
• Automated Chest CT Image Segmentation of COVID-19 Lung Infection based on 3D U-Net [0.0]
  新型コロナウイルス(COVID-19)は世界中の何十億もの生命に影響を与え、公衆医療に大きな影響を与えている。 新型コロナウイルス感染地域のための革新的な自動セグメンテーションパイプラインを提案する。 本手法は,複数の前処理手法を実行することにより,一意およびランダムな画像パッチをオンザフライで生成する訓練に焦点をあてる。
  論文  参考訳（メタデータ） (2020-06-24T17:29:26Z)
• 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)
• 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)
• Deep Learning for Screening COVID-19 using Chest X-Ray Images [0.2062593640149623]
  深層ニューラルネットワークを学習するためのドメイン拡張伝達学習(DETL)という新しい概念を提案する。 我々は、トレーニング済みの深部畳み込みニューラルネットワークを持つDETLを、関連する大きな胸部X線データセットに採用する。 胸部X線による新型コロナウイルスの診断の可能性を評価するため、5倍のクロスバリデーションを行う。
  論文  参考訳（メタデータ） (2020-04-22T11:41:50Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。