論文の概要: Two-Stage COVID19 Classification Using BERT Features

• arxiv url: http://arxiv.org/abs/2206.14861v1
• Date: Wed, 29 Jun 2022 19:01:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-02 09:18:27.733374
• Title: Two-Stage COVID19 Classification Using BERT Features
• Title（参考訳）: BERT特徴を用いた2段階COVID19分類
• Authors: Weijun Tan, Qi Yao, Jingfeng Liu
• Abstract要約: 二重BERT特徴抽出を用いた肺CTスキャンスライス画像からのCOVID1-19自動診断フレームワークを提案する。 最初のBERT特徴抽出において、3D-CNNはCNNの内部特徴マップを抽出するために最初に使用される。 この3D-CNN-BERT分類ネットワークは、まず、元のCTスキャンボリューム毎に、サンプル化された固定数のスライス画像に基づいて訓練される。 第2段階では、CTスキャンボリュームごとのスライス画像に3D-CNN-BERT埋め込み機能を抽出し、これらの特徴を一定数のセグメントに平均化する。
• 参考スコア（独自算出の注目度）: 4.162019309587633
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose an automatic COVID1-19 diagnosis framework from lung CT-scan slice images using double BERT feature extraction. In the first BERT feature extraction, A 3D-CNN is first used to extract CNN internal feature maps. Instead of using the global average pooling, a late BERT temporal pooing is used to aggregate the temporal information in these feature maps, followed by a classification layer. This 3D-CNN-BERT classification network is first trained on sampled fixed number of slice images from every original CT scan volume. In the second stage, the 3D-CNN-BERT embedding features are extracted on all slice images of every CT scan volume, and these features are averaged into a fixed number of segments. Then another BERT network is used to aggregate these multiple features into a single feature followed by another classification layer. The classification results of both stages are combined to generate final outputs. On the validation dataset, we achieve macro F1 score of 0.9164.
• Abstract（参考訳）: 二重BERT特徴抽出を用いた肺CTスキャンスライス画像からのCOVID1-19自動診断フレームワークを提案する。 最初のBERT特徴抽出において、3D-CNNはCNNの内部特徴マップの抽出に使用される。 グローバル平均プーリングを使用する代わりに、後期berttempory pooingを使用して、これらの特徴マップの時間情報を集約し、次に分類層を割り当てる。 この3D-CNN-BERT分類ネットワークは、まず、元のCTスキャンボリューム毎に、サンプル化された固定数のスライス画像をトレーニングする。 第2段階では、CTスキャンボリュームごとのスライス画像に3D-CNN-BERT埋め込み機能を抽出し、これらの特徴を一定数のセグメントに平均化する。 次に、別のBERTネットワークを使用して、これらの複数の機能をひとつの機能に集約し、次に別の分類層が続く。 両段階の分類結果を組み合わせて最終的な出力を生成する。 検証データセットでは,マクロF1スコアが0.9164である。

関連論文リスト

• DCN-T: Dual Context Network with Transformer for Hyperspectral Image Classification [109.09061514799413]
  複雑な撮像条件による空間変動のため,HSI分類は困難である。 本稿では,HSIを高品質な三スペクトル画像に変換する三スペクトル画像生成パイプラインを提案する。 提案手法は,HSI分類における最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-04-19T18:32:52Z)
• Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
  CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。 現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。 既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
  論文  参考訳（メタデータ） (2022-11-10T13:11:21Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Data Augmentation and CNN Classification For Automatic COVID-19 Diagnosis From CT-Scan Images On Small Dataset [0.0]
  肺CT画像からのCOVID1-19自動診断フレームワークを提案する。 本論文では,複数のHounsfield Unit(HU)正規化ウィンドウを用いた一意かつ効果的なデータ拡張手法を提案する。 トレーニング・検証データセットでは,患者の分類精度は93.39%である。
  論文  参考訳（メタデータ） (2021-08-16T15:23:00Z)
• A 3D CNN Network with BERT For Automatic COVID-19 Diagnosis From CT-Scan Images [0.0]
  肺CTスキャンスライス画像からのCOVID1-19自動診断フレームワークを提案する。 本フレームワークでは,CTスキャンボリュームのスライス画像をまずセグメンテーション技術を用いてプロプロセスする。 トレーニングと検証のために、固定数のスライス画像の1つまたは複数のセットを選択するために再サンプリング法を用いる。
  論文  参考訳（メタデータ） (2021-06-28T05:35:26Z)
• ViPTT-Net: Video pretraining of spatio-temporal model for tuberculosis type classification from chest CT scans [0.0]
  事前学習は、限られたデータから学習し、一般化を改善する深層学習への関心を喚起した。 我々は、現実的なビデオでモデルを事前訓練することで、モデルをゼロからトレーニングするよりも、パフォーマンスを向上させることができるかどうかを考察する。 我々のモデルは ViPTT-Net と呼ばれ、人間の活動のラベル付き1300本以上のビデオクリップで訓練され、その後、結核型のラベル付き胸部CTスキャンで微調整された。
  論文  参考訳（メタデータ） (2021-05-26T20:00:31Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
  3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
  論文  参考訳（メタデータ） (2020-12-14T05:22:49Z)
• Automatic Segmentation, Localization, and Identification of Vertebrae in 3D CT Images Using Cascaded Convolutional Neural Networks [22.572414102512358]
  本稿では, 3次元CT画像における椎骨の自動分割, 局所化, 同定の方法を提案する。 提案手法は,すべてのタスクを仮定なしで単一のマルチステージフレームワークで処理する。 平均Diceスコアは96%,平均定位誤差は8.3mm,平均識別率は84%であった。
  論文  参考訳（メタデータ） (2020-09-29T06:11:37Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。