論文の概要: Longitudinal Self-Supervision for COVID-19 Pathology Quantification

• arxiv url: http://arxiv.org/abs/2203.10804v1
• Date: Mon, 21 Mar 2022 08:52:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 18:01:55.290827
• Title: Longitudinal Self-Supervision for COVID-19 Pathology Quantification
• Title（参考訳）: 新型コロナウイルスの病的定量化のための縦断的自己スーパービジョン
• Authors: Tobias Czempiel, Coco Rogers, Matthias Keicher, Magdalini Paschali, Rickmer Braren, Egon Burian, Marcus Makowski, Nassir Navab, Thomas Wendler, Seong Tae Kim
• Abstract要約: 新型コロナウイルス(COVID-19)感染の定量化は、世界的なパンデミックで患者の入院を管理する上で重要な課題だ。 深層学習に基づくアプローチは、縦型CTスキャンで新型コロナウイルスの病態を自動的に定量化するために提案されている。 特に縦断トレーニングでは,大規模なデータセットの収集は困難である。 本研究では,新型コロナウイルス感染の定量化のための縦断ネットワークを効果的に学習するための,自己指導型学習手法を提案する。
• 参考スコア（独自算出の注目度）: 39.24552353343665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantifying COVID-19 infection over time is an important task to manage the hospitalization of patients during a global pandemic. Recently, deep learning-based approaches have been proposed to help radiologists automatically quantify COVID-19 pathologies on longitudinal CT scans. However, the learning process of deep learning methods demands extensive training data to learn the complex characteristics of infected regions over longitudinal scans. It is challenging to collect a large-scale dataset, especially for longitudinal training. In this study, we want to address this problem by proposing a new self-supervised learning method to effectively train longitudinal networks for the quantification of COVID-19 infections. For this purpose, longitudinal self-supervision schemes are explored on clinical longitudinal COVID-19 CT scans. Experimental results show that the proposed method is effective, helping the model better exploit the semantics of longitudinal data and improve two COVID-19 quantification tasks.
• Abstract（参考訳）: 新型コロナウイルス感染の定量化は、世界的なパンデミックで患者の入院を管理する上で重要な課題である。 近年, 深層学習に基づくアプローチが提案され, 放射線科医が縦型CTで新型コロナウイルスの病態を自動的に定量化できるようになっている。 しかし, 深層学習法では, 経時的スキャンにより, 感染領域の複雑な特徴を学習するために, 広範囲なトレーニングデータが必要である。 大規模データセットの収集は,特に縦型トレーニングでは困難である。 本研究では,新型コロナウイルス感染の定量化のための縦断ネットワークを効果的に学習するための,自己指導型学習手法を提案する。 この目的のために, 臨床縦断型covid-19ctスキャンを用いた縦断型自己スーパービジョン法の検討を行った。 実験の結果,提案手法は長手データのセマンティクスを効果的に活用し,2つのCOVID-19定量化タスクを改善するのに役立つことがわかった。

関連論文リスト

• A Transfer Learning Based Approach for Classification of COVID-19 and Pneumonia in CT Scan Imaging [0.0]
  世界は依然として新型コロナウイルス(COVID-19)の感染拡大に圧倒されている。2021年11月時点の感染者は2億5000万人を超え、219か国、領土に影響を及ぼし、世界はパンデミック期にある。 本研究は、COVID-19肺炎患者、細菌性肺炎、ウイルス性肺炎、健康な(正常な)患者を分類するためのディープラーニングに基づくアプローチを提案することを目的とする。 提案手法は, 実装コストを低減し, 地理的に異なる地域, 特に農村部, 開発地域において容易に実装, 利用できるように, 意図的に単純化されている。
  論文  参考訳（メタデータ） (2022-10-17T20:08:41Z)
• Rapid Lung Ultrasound COVID-19 Severity Scoring with Resource-Efficient Deep Feature Extraction [0.11439420412899562]
  本研究は, 最短トレーニング時間で重症度を評価するための, 深部特徴抽出器として, 既訓練モデルの活用に焦点を当てる。 既存の手法を特徴抽出器として使用することにより,訓練時間を数分に抑えながら,新型コロナウイルス関連肺炎重症度を効果的に分類できることが実証された。
  論文  参考訳（メタデータ） (2022-07-22T10:32:30Z)
• COVID-Net US-X: Enhanced Deep Neural Network for Detection of COVID-19 Patient Cases from Convex Ultrasound Imaging Through Extended Linear-Convex Ultrasound Augmentation Learning [75.74756992992147]
  世界人口は新型コロナウイルス(COVID-19)のパンデミックの影響で大きな影響を受け続けている。 医療用ポイント・オブ・ケア・超音波(POCUS)画像は、低コストで有効な画像モダリティとして利用されてきている。 POCUSを使用した新型コロナウイルススクリーニングのためのディープニューラルネットワークを構築する上での大きな課題は、使用するプローブの種類だ。
  論文  参考訳（メタデータ） (2022-04-29T02:13:39Z)
• 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)
• COVID-Net CT-S: 3D Convolutional Neural Network Architectures for COVID-19 Severity Assessment using Chest CT Images [85.00197722241262]
  我々は、新型コロナウイルス感染による肺疾患の重症度を予測するための深層畳み込みニューラルネットワークであるCOVID-Net CT-Sを紹介した。 3D残像設計を利用して、新型コロナウイルスの肺疾患の重症度を特徴付ける容積的視覚指標を学習する。
  論文  参考訳（メタデータ） (2021-05-04T04:44:41Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Longitudinal Quantitative Assessment of COVID-19 Infection Progression from Chest CTs [36.71379097297172]
  ボクセルレベルの感染を識別し、新型コロナウイルスの進行を可視化する新しい枠組みを提案する。 特に,参照スキャン情報を利用した縦断セグメンテーションネットワークを考案し,疾患識別の性能を向上させる。
  論文  参考訳（メタデータ） (2021-03-12T12:35:11Z)
• CHS-Net: A Deep learning approach for hierarchical segmentation of COVID-19 infected CT images [0.6091702876917281]
  新型重症急性呼吸器症候群(SARS-CoV-2)のパンデミックが世界中で広がっています。 CT(Computerd Tomography)、X線などの医療画像は、臓器の構造に関する優れた詳細を提示することにより、患者の診断に重要な役割を果たします。 ディープラーニング技術は、新型コロナウイルスなどの疾患やウイルスの迅速な診断を支援するために、そのようなスキャンを分析する強みを示しています。
  論文  参考訳（メタデータ） (2020-12-13T15:02:05Z)
• COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
  新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。 近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。 本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
  論文  参考訳（メタデータ） (2020-04-30T03:13:40Z)
• COVID_MTNet: COVID-19 Detection with Multi-Task Deep Learning Approaches [5.578413517654704]
  本稿では,多タスク深層学習(DL)手法を用いて,新型コロナウイルス患者を迅速かつ効率的に識別する方法を提案する。 提案手法について,X線およびCTスキャン画像を用いて検討した。 検出モデルは、X線画像から約84.67%の精度と、CT画像の98.78%の精度を示している。
  論文  参考訳（メタデータ） (2020-04-07T23:19:59Z)

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。