論文の概要: covEcho Resource constrained lung ultrasound image analysis tool for
faster triaging and active learning
- arxiv url: http://arxiv.org/abs/2206.10183v1
- Date: Tue, 21 Jun 2022 08:38:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 19:20:02.818228
- Title: covEcho Resource constrained lung ultrasound image analysis tool for
faster triaging and active learning
- Title（参考訳）: covechoリソース制限肺超音波画像解析ツールによるトリアージとアクティブラーニングの高速化
- Authors: Jinu Joseph, Mahesh Raveendranatha Panicker, Yale Tung Chen, Kesavadas
Chandrasekharan, Vimal Chacko Mondy, Anoop Ayyappan, Jineesh Valakkada and
Kiran Vishnu Narayan
- Abstract要約: リアルタイムの軽量なアクティブラーニングベースのアプローチは、新型コロナウイルス患者でより高速なトリアージを実現するために提案されている。
提案手法は、LUSランドマークの予測において平均平均精度(mAP)が66%、IoU(Intersection over Union)閾値が0.5である。
14MBの軽量YOLOv5sネットワークは、Quadro P4000 GPUで動作しながら123FPSを達成する。
- 参考スコア（独自算出の注目度）: 2.4432369908176543
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Lung ultrasound (LUS) is possibly the only medical imaging modality which
could be used for continuous and periodic monitoring of the lung. This is
extremely useful in tracking the lung manifestations either during the onset of
lung infection or to track the effect of vaccination on lung as in pandemics
such as COVID-19. There have been many attempts in automating the
classification of severity of lung into various classes or automatic
segmentation of various LUS landmarks and manifestations. However, all these
approaches are based on training static machine learning models which require a
significantly clinically annotated large dataset and are computationally heavy
and most of the time non-real time. In this work, a real-time light weight
active learning-based approach is presented for faster triaging in COVID-19
subjects in resource constrained settings. The tool, based on the you look only
once (YOLO) network, has the capability of providing the quality of images
based on the identification of various LUS landmarks, artefacts and
manifestations, prediction of severity of lung infection, possibility of active
learning based on the feedback from clinicians or on the image quality and a
summarization of the significant frames which are having high severity of
infection and high image quality for further analysis. The results show that
the proposed tool has a mean average precision (mAP) of 66% at an Intersection
over Union (IoU) threshold of 0.5 for the prediction of LUS landmarks. The 14MB
lightweight YOLOv5s network achieves 123 FPS while running in a Quadro P4000
GPU. The tool is available for usage and analysis upon request from the
authors.
- Abstract（参考訳）: 肺超音波(LUS)は、肺の連続的および定期的なモニタリングに使用できる唯一の医用画像モダリティである。
これは、肺感染症の発症時に肺の症状を追跡するのや、新型コロナウイルスなどのパンデミックによる肺へのワクチン接種の影響を追跡するのに非常に有用である。
肺の重症度を様々なクラスに分類する自動化や、様々なLUSランドマークとマニフェストの自動セグメンテーションのための多くの試みがある。
しかし、これらのアプローチはすべて静的機械学習モデルのトレーニングに基づいており、大きなデータセットを臨床的にアノテートし、計算量が多く、ほとんどの場合は非リアルタイムである。
本研究では,リソース制約条件下でのcovid-19被験者のトリージングを高速化するために,リアルタイム軽量アクティブラーニングによるアプローチを提案する。
you look only once(yolo)ネットワークに基づくこのツールは、様々なlusのランドマーク、アーティファクト、マニフェストの識別、肺感染症の重症度予測、臨床医からのフィードバックや画像品質に基づくアクティブラーニングの可能性、感染の重大度が高く画像品質の高い重要なフレームの要約に基づく画像の品質を提供する能力を持つ。
提案手法は,LUSランドマークの予測において平均平均精度(mAP)が0.5のIoU(Intersection over Union)閾値で66%であることを示す。
14MBの軽量YOLOv5sネットワークは、Quadro P4000 GPUで動作しながら123FPSを達成する。
このツールは著者からの要求に応じて使用と分析が可能である。
関連論文リスト
- InfLocNet: Enhanced Lung Infection Localization and Disease Detection from Chest X-Ray Images Using Lightweight Deep Learning [0.5242869847419834]
本稿では,より軽量な深層学習に基づくセグメンテーション分類ネットワークを提案する。
胸部X線画像を用いた肺感染症の検出と局在性の向上を目的としている。
IoUは93.59%, Dice similarity Coefficient (DSC)は97.61%であった。
論文 参考訳（メタデータ） (2024-08-12T19:19:23Z) - 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) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Classification of COVID-19 on chest X-Ray images using Deep Learning
model with Histogram Equalization and Lungs Segmentation [1.6019444314820142]
本研究は,胸部X線を用いたコビッドウイルス感染肺の検出のためのディープラーニングアーキテクチャに基づく研究である。
我々の新しいアプローチは、よく知られた前処理技術、特徴抽出法、およびデータセットバランス法を組み合わせることで、優れた98%の認識率をもたらす。
論文 参考訳（メタデータ） (2021-12-05T05:04:38Z) - An Approach Towards Physics Informed Lung Ultrasound Image Scoring
Neural Network for Diagnostic Assistance in COVID-19 [0.0]
肺超音波(LUS)における胸膜下領域の音響伝搬に基づく特徴抽出のための新しいアプローチが提示された。
LUSNetと呼ばれるニューラルネットワークは、LUSイメージを、新型コロナウイルスの進行を追跡するために、肺感染症の重症度の異なる5つのクラスに分類するように訓練されている。
新型コロナウイルスの患者10名に対する全回復期間に対するLUS画像のアプローチに関する詳細な分析では、平均5倍のクロスバリデーション精度、感度、特異性はそれぞれ5000コマで97%、93%、98%となっている。
論文 参考訳（メタデータ） (2021-06-13T13:01:53Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - An encoder-decoder-based method for COVID-19 lung infection segmentation [3.561478746634639]
本稿では,CTスキャン画像を用いた多タスク深層学習による肺感染症セグメンテーションを提案する。
提案手法は,データやラベル付き画像が不足していても,肺感染症を高いパフォーマンスで分離することができる。
論文 参考訳（メタデータ） (2020-07-02T04:02:03Z) - 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) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z) - 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。