論文の概要: POTHER: Patch-Voted Deep Learning-based Chest X-ray Bias Analysis for COVID-19 Detection

• arxiv url: http://arxiv.org/abs/2201.09360v1
• Date: Sun, 23 Jan 2022 20:35:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-01-26 07:23:15.576212
• Title: POTHER: Patch-Voted Deep Learning-based Chest X-ray Bias Analysis for COVID-19 Detection
• Title（参考訳）: POTHER:COVID-19検出のための深層学習に基づく胸部X線バイアス解析
• Authors: Tomasz Szczepa\'nski, Arkadiusz Sitek, Tomasz Trzci\'nski, Szymon P{\l}otka
• Abstract要約: 多くの研究が、深層学習を用いて胸部X線で新型コロナウイルスを正確に検出したと報告している。 モデル決定は、医学的病理学ではなく、相反する要因に依存する可能性があることを実証する。 負の影響を最小限に抑える新しい方法を提案する。
• 参考スコア（独自算出の注目度）: 10.516962652888989
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A critical step in the fight against COVID-19, which continues to have a catastrophic impact on peoples lives, is the effective screening of patients presented in the clinics with severe COVID-19 symptoms. Chest radiography is one of the promising screening approaches. Many studies reported detecting COVID-19 in chest X-rays accurately using deep learning. A serious limitation of many published approaches is insufficient attention paid to explaining decisions made by deep learning models. Using explainable artificial intelligence methods, we demonstrate that model decisions may rely on confounding factors rather than medical pathology. After an analysis of potential confounding factors found on chest X-ray images, we propose a novel method to minimise their negative impact. We show that our proposed method is more robust than previous attempts to counter confounding factors such as ECG leads in chest X-rays that often influence model classification decisions. In addition to being robust, our method achieves results comparable to the state-of-the-art. The source code and pre-trained weights are publicly available (https://github.com/tomek1911/POTHER).
• Abstract（参考訳）: 新型コロナウイルス感染症(COVID-19)と闘う上で重要なステップは、重篤な症状を呈する診療所で提示された患者の効果的なスクリーニングである。 胸部x線撮影は有望なスクリーニングアプローチの一つである。 多くの研究では、深層学習を用いて胸部x線でcovid-19が検出されたと報告されている。 多くの出版アプローチの深刻な制限は、ディープラーニングモデルによる決定を説明するのに十分な注意を払っていない。 説明可能な人工知能手法を用いて, モデル決定は医学的病理学ではなく, 統合的要因に依存する可能性があることを実証する。 胸部X線像から見いだされる潜在因子の解析の後, その負の影響を最小化するための新しい手法を提案する。 提案手法は, 胸部X線による心電図など, モデル分類決定に影響を及ぼす要因に対して, 従来よりも頑健であることを示す。 堅牢性に加えて,本手法は最先端技術に匹敵する結果が得られる。 ソースコードとトレーニング済みのウェイトは公開されている(https://github.com/tomek1911/pother)。

関連論文リスト

• Chest X-ray Image Classification: A Causal Perspective [49.87607548975686]
  本稿では,CXR分類問題に対処する因果的アプローチを提案し,構造因果モデル(SCM)を構築し,CXR分類に有効な視覚情報を選択するためにバックドア調整を用いる。 実験の結果,提案手法はオープンソースNIH ChestX-ray14の分類性能に優れていた。
  論文  参考訳（メタデータ） (2023-05-20T03:17:44Z)
• Challenges in COVID-19 Chest X-Ray Classification: Problematic Data or Ineffective Approaches? [0.0]
  胸部X線写真から新型コロナウイルスの感染を分類し、検出するための深層学習。 本研究では,データと機械学習の両方の観点から,信頼性の高いAIソリューションを作成する上で直面する課題について検討する。
  論文  参考訳（メタデータ） (2022-01-16T14:12:04Z)
• DPCOVID: Privacy-Preserving Federated Covid-19 Detection [2.1930130356902207]
  コロナウイルス(COVID-19)は、世界経済と健康に対する有害な影響により、前例のない世界的な危機を経験している。 胸部X線画像に基づく新型コロナウイルス検出のためのプライバシ保護フェデレーション学習システムを提案する。
  論文  参考訳（メタデータ） (2021-10-26T15:09:00Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• 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)
• COVID-19 Detection from Chest X-ray Images using Imprinted Weights Approach [67.05664774727208]
  胸部X線撮影は、COVID-19の代替スクリーニング方法です。 コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。 この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
  論文  参考訳（メタデータ） (2021-05-04T19:01:40Z)
• Deep Learning Models May Spuriously Classify Covid-19 from X-ray Images Based on Confounders [1.8321821509675509]
  最近の研究では、深層学習を用いて高精度なモデルを構築し、胸部X線画像からCovid-19を検出することができると主張している。 本稿では,Covid-19病の診断における畳み込みニューラルネットワークモデルの有効性と一般化能力について検討する。
  論文  参考訳（メタデータ） (2021-01-08T21:33:06Z)
• Pinball-OCSVM for early-stage COVID-19 diagnosis with limited posteroanterior chest X-ray images [3.4935179780034247]
  本研究は、新型コロナウイルス陽性のCXRサンプルを限定した状態で動作可能な、ピンボール損失関数に基づく1クラスサポートベクターマシン(PB-OCSVM)を提案する。 提案モデルの性能は従来のOCSVMや既存のディープラーニングモデルと比較し,実験結果から,提案モデルが最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-16T02:34:15Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Towards an Effective and Efficient Deep Learning Model for COVID-19 Patterns Detection in X-ray Images [2.21653002719733]
  本研究の主な目的は、胸部X線検査における新型コロナウイルススクリーニングの問題に対して、正確かつ効率的な方法を提案することである。 13,569枚のX線画像のデータセットを、健康な非新型コロナウイルス患者と新型コロナウイルス患者に分けて、提案したアプローチを訓練する。 結果: 提案手法により, 全体の精度93.9%, COVID-19, 感度96.8%, 正の予測100%の高品質モデルが得られた。
  論文  参考訳（メタデータ） (2020-04-12T23:26:56Z)
• A Thorough Comparison Study on Adversarial Attacks and Defenses for Common Thorax Disease Classification in Chest X-rays [63.675522663422896]
  胸部X線に対する各種対向攻撃法と防御法について検討した。 攻撃法と防御法は過度な反復と大きな摂動で性能が劣ることがわかった。 異なる摂動度に頑健な新しい防御法を提案する。
  論文  参考訳（メタデータ） (2020-03-31T06:21:03Z)

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。