Fugu-MT 論文翻訳(概要): Rapid Lung Ultrasound COVID-19 Severity Scoring with Resource-Efficient Deep Feature Extraction

論文の概要: Rapid Lung Ultrasound COVID-19 Severity Scoring with Resource-Efficient Deep Feature Extraction

arxiv url: http://arxiv.org/abs/2207.10998v1
Date: Fri, 22 Jul 2022 10:32:30 GMT
ステータス: 処理完了
システム内更新日: 2022-07-25 13:39:26.611954
Title: Rapid Lung Ultrasound COVID-19 Severity Scoring with Resource-Efficient Deep Feature Extraction
Title（参考訳）: 資源効率の良い深部特徴抽出による高速肺超音波検査
Authors: Pierre Raillard, Lorenzo Cristoni, Andrew Walden, Roberto Lazzari, Thomas Pulimood, Louis Grandjean, Claudia AM Gandini Wheeler-Kingshott, Yipeng Hu, Zachary MC Baum
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.11439420412899562
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Artificial intelligence-based analysis of lung ultrasound imaging has been demonstrated as an effective technique for rapid diagnostic decision support throughout the COVID-19 pandemic. However, such techniques can require days- or weeks-long training processes and hyper-parameter tuning to develop intelligent deep learning image analysis models. This work focuses on leveraging 'off-the-shelf' pre-trained models as deep feature extractors for scoring disease severity with minimal training time. We propose using pre-trained initializations of existing methods ahead of simple and compact neural networks to reduce reliance on computational capacity. This reduction of computational capacity is of critical importance in time-limited or resource-constrained circumstances, such as the early stages of a pandemic. On a dataset of 49 patients, comprising over 20,000 images, we demonstrate that the use of existing methods as feature extractors results in the effective classification of COVID-19-related pneumonia severity while requiring only minutes of training time. Our methods can achieve an accuracy of over 0.93 on a 4-level severity score scale and provides comparable per-patient region and global scores compared to expert annotated ground truths. These results demonstrate the capability for rapid deployment and use of such minimally-adapted methods for progress monitoring, patient stratification and management in clinical practice for COVID-19 patients, and potentially in other respiratory diseases.
Abstract（参考訳）: 人工知能による肺超音波画像解析は、新型コロナウイルスのパンデミック全体での迅速な診断支援の有効な手法として実証されている。しかしながら、このようなテクニックは、インテリジェントなディープラーニングイメージ分析モデルを開発するために、数日から数週間のトレーニングプロセスとハイパーパラメータチューニングを必要とする可能性がある。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た。本稿では,計算能力への依存を減らすため,単純でコンパクトなニューラルネットワークに先立って既存の手法を事前訓練した初期化手法を提案する。この計算能力の削減は、パンデミックの初期段階など、時間制限や資源制約のある状況において極めて重要である。 2万以上の画像を含む49例のデータセットにおいて,既存の手法を特徴抽出器として使用することで,訓練時間のみを要しながら,covid-19関連肺炎重症度を効果的に分類できることを実証した。本手法は,4段階の重度スコア尺度で0.93以上の精度を達成でき,患者ごとのスコアとグローバルスコアを専門家の注釈付き地上真実と比較できる。これらの結果から, 治療経過のモニタリング, 患者の階層化, 治療管理, その他の呼吸器疾患に対する迅速な展開, 使用の可能性が示唆された。

関連論文リスト

An Evaluation of Lightweight Deep Learning Techniques in Medical Imaging for High Precision COVID-19 Diagnostics [0.0]
決定支援システムは、画像の物理的検査に固有の課題を緩和する。ほとんどのディープラーニングアルゴリズムは、リソース制約のあるデバイスの実装には適していない。本稿では,MobileNetV2モデルを用いた新型コロナウイルス検出のための軽量深層学習手法の開発と評価について述べる。
論文参考訳（メタデータ） (2023-05-30T13:14:03Z)
covEcho Resource constrained lung ultrasound image analysis tool for faster triaging and active learning [2.4432369908176543]
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。
論文参考訳（メタデータ） (2022-06-21T08:38:45Z)
Longitudinal Self-Supervision for COVID-19 Pathology Quantification [39.24552353343665]
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。
論文参考訳（メタデータ） (2022-03-21T08:52:57Z)
A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文参考訳（メタデータ） (2021-10-24T18:58:40Z)
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)
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)
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)
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)
Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文参考訳（メタデータ） (2020-05-06T09:02:30Z)
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)
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)

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。