論文の概要: FDVTS's Solution for 2nd COV19D Competition on COVID-19 Detection and Severity Analysis

• arxiv url: http://arxiv.org/abs/2207.01758v1
• Date: Tue, 5 Jul 2022 01:35:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 04:42:14.129604
• Title: FDVTS's Solution for 2nd COV19D Competition on COVID-19 Detection and Severity Analysis
• Title（参考訳）: 第2回cov19dコンペティションにおけるfdvtsのソリューション : 新型コロナウイルスの検出と重症度分析
• Authors: Junlin Hou, Jilan Xu, Rui Feng, and Yuejie Zhang
• Abstract要約: 胸部CT画像のCOVID-19診断に有効な3次元コントラシティブ・ミックスアップ分類ネットワークを用いた。 新型コロナウイルス検出の課題では、484のCTスキャンで0.9245のマクロF1スコアに達し、ベースライン法を16.5%上回る結果となった。 重症度検出の課題では,61検体に対して0.7186マクロF1スコアを達成し,ベースラインを8.86%上回る結果となった。
• 参考スコア（独自算出の注目度）: 10.334617290353194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents our solution for the 2nd COVID-19 Competition, occurring in the framework of the AIMIA Workshop in the European Conference on Computer Vision (ECCV 2022). In our approach, we employ an effective 3D Contrastive Mixup Classification network for COVID-19 diagnosis on chest CT images, which is composed of contrastive representation learning and mixup classification. For the COVID-19 detection challenge, our approach reaches 0.9245 macro F1 score on 484 validation CT scans, which significantly outperforms the baseline method by 16.5%. In the COVID-19 severity detection challenge, our approach achieves 0.7186 macro F1 score on 61 validation samples, which also surpasses the baseline by 8.86%.
• Abstract（参考訳）: 本稿では,欧州コンピュータビジョン会議(ECCV 2022)におけるAIIAワークショップの枠組みの中で発生した第2回COVID-19コンペティションの解決策について述べる。 提案手法では,造影表現学習とミックスアップ分類からなる胸部ct画像上での新型コロナウイルス診断に有効な3次元コントラストミックスアップ分類ネットワークを用いる。 新型コロナウイルス検出の課題では、484のCTスキャンで0.9245マクロF1スコアに達し、ベースライン法を16.5%上回る結果となった。 重症度検出の課題では,61検体に対して0.7186マクロF1スコアを達成し,ベースラインを8.86%上回る結果となった。

関連論文リスト

• Advancing COVID-19 Detection in 3D CT Scans [19.844531606142496]
  我々はResNeSt50を強力な特徴抽出器として使用し、新型コロナウイルス特異的な事前知識を持つ事前訓練した重量で初期化する。 本モデルでは,第4回COV19Dコンペティションチャレンジの検証セットにおいて,マクロF1スコア0.94を達成する。
  論文  参考訳（メタデータ） (2024-03-18T16:50:13Z)
• Enhanced detection of the presence and severity of COVID-19 from CT scans using lung segmentation [0.0]
  本稿では,2022年大会に提出されたディープラーニングモデルであるCov3dのバージョン2を示す。 その結果、CTスキャンにおける新型コロナウイルスの存在を93.2%で予測するための検証マクロF1スコアが得られた。 タスク2のバリデーションセットにおいて、新型コロナウイルスの重症度を予測するマクロF1スコアを、ベースラインの38%以上である72.8%に設定する。
  論文  参考訳（メタデータ） (2023-03-16T16:15:42Z)
• Boosting COVID-19 Severity Detection with Infection-aware Contrastive Mixup Classifcation [14.255924274624368]
  重症度評価のための3次元コントラスト混合分類ネットワークを考案した。 新型コロナウイルスの重症度検出のリーダーボードでは、我々のアプローチがマイロF1スコア51.76%のフレストで勝利した。
  論文  参考訳（メタデータ） (2022-11-26T13:11:44Z)
• CMC v2: Towards More Accurate COVID-19 Detection with Discriminative Video Priors [16.283336554974767]
  本稿では,欧州コンピュータビジョン会議(ECCV 2022)におけるAIIAワークショップの枠組みの中で発生した第2回COVID-19コンペティションの解決策について述べる。 14チーム中、CMC v2は第2回COVID-19コンペティションで1位となり、マクロF1スコアは89.11%だった。
  論文  参考訳（メタデータ） (2022-11-26T13:06:52Z)
• Cov3d: Detection of the presence and severity of COVID-19 from CT scans using 3D ResNets [0.0]
  Cov3dは、胸部CTスキャンからCOVID19の存在と重症度を検出するための3次元畳み込みニューラルネットワークである。 COVID19の重症度を分類する作業では、マクロf1スコアが0.7552に達する。
  論文  参考訳（メタデータ） (2022-07-05T05:22:38Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• A novel multiple instance learning framework for COVID-19 severity assessment via data augmentation and self-supervised learning [64.90342559393275]
  新型コロナウイルスの重症度を迅速かつ正確に評価する方法は、世界中の何百万人もの人々がパンデミックに苦しんでいる場合に必要不可欠な問題だ。 CT画像による新型コロナウイルスの重症度自動評価を妨害する可能性のある、弱いアノテーションと不十分なデータという2つの問題があることを観察する。 平均精度は95.8%で、感度は93.6%、特異性は96.4%で、前作より優れていた。
  論文  参考訳（メタデータ） (2021-02-07T16:30:18Z)
• 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)
• FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
  正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。 FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。 FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2020-10-30T03:17:31Z)
• 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)
• 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。