Fugu-MT 論文翻訳(概要): Diagnosis of COVID-19 disease using CT scan images and pre-trained models

論文の概要: Diagnosis of COVID-19 disease using CT scan images and pre-trained models

arxiv url: http://arxiv.org/abs/2208.07829v1
Date: Tue, 16 Aug 2022 16:17:27 GMT
ステータス: 処理完了
システム内更新日: 2022-08-17 12:54:18.692472
Title: Diagnosis of COVID-19 disease using CT scan images and pre-trained models
Title（参考訳）: CTスキャン画像と事前訓練モデルを用いたCOVID-19感染症の診断
Authors: Faezeh Amouzegar, Hamid Mirvaziri, Mostafa Ghazizadeh-Ahsaee, Mahdi Shariatzadeh
Abstract要約: 深層学習は、新型コロナウイルスに感染したサンプルを識別するための迅速かつ正確な方法と考えられている。 SARS-CoV-2データセットには2482枚の肺CT画像が含まれており、うち1252枚の画像は新型コロナウイルス感染のサンプルである。提案されたモデルは97%の精度であった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Diagnosis of COVID-19 is necessary to prevent and control the disease. Deep learning methods have been considered a fast and accurate method. In this paper, by the parallel combination of three well-known pre-trained networks, we attempted to distinguish coronavirus-infected samples from healthy samples. The negative log-likelihood loss function has been used for model training. CT scan images in the SARS-CoV-2 dataset were used for diagnosis. The SARS-CoV-2 dataset contains 2482 images of lung CT scans, of which 1252 images belong to COVID-19-infected samples. The proposed model was close to 97% accurate.
Abstract（参考訳）: 新型コロナウイルスの診断は、疾患を予防し、制御するために必要である。深層学習法は高速かつ正確な方法と考えられている。本稿では,3つのよく知られた事前学習ネットワークの並列組み合わせにより,新型コロナウイルス感染サンプルと健康なサンプルの識別を試みた。負のlog-likelihood損失関数はモデルトレーニングに使われている。 SARS-CoV-2データセットのCTスキャン画像を用いて診断を行った。 sars-cov-2データセットには、肺ctスキャンの2482枚の画像が含まれている。提案されたモデルは97%の精度であった。

関連論文リスト

POSTER: Diagnosis of COVID-19 through Transfer Learning Techniques on CT Scans: A Comparison of Deep Learning Models [3.3194866396158]
新型コロナウイルス(COVID-19)は世界中で公衆衛生上の緊急事態となっている。世界中で2億3000万人以上が感染している致命的な病気である。本稿では、CTスキャンデータセット上の転写学習技術を用いて、新型コロナウイルスの検出に使用するさまざまなディープラーニングモデルを比較した。 VGG-16は、データセットで85.33%の精度を達成する他の全てのモデルより優れている。
論文参考訳（メタデータ） (2022-03-17T14:27:24Z)
CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文参考訳（メタデータ） (2021-11-16T15:03:42Z)
Generation of COVID-19 Chest CT Scan Images using Generative Adversarial Networks [0.0]
SARS-CoV-2は、新型コロナウイルスに感染するウイルス性伝染病で、世界中で急速に広まっている。拡散を減らすために人々をテストし、分離することが非常に重要であり、ここからは、これを迅速かつ効率的に行う必要がある。いくつかの研究によると、Chest-CTは、新型コロナウイルス患者の診断において、現在の標準であるRT-PCR検査より優れている。
論文参考訳（メタデータ） (2021-05-20T13:04:21Z)
Few-shot Learning for CT Scan based COVID-19 Diagnosis [33.26861533338019]
コロナウイルス感染症2019(英語: Coronavirus disease 2019, COVID-19)は、188か国と領土で4000万人以上の人々が感染している国際保健緊急事態宣言である。深層学習アプローチは、医療画像の自動スクリーニングの有効なツールとなり、また、新型コロナウイルスの診断としても検討されている。そこで本研究では,少量のラベル付きCTスキャンが利用可能である場合にのみ有効に機能する領域適応型COVID-19 CT診断法を提案する。
論文参考訳（メタデータ） (2021-02-01T02:37:49Z)
Accurate and Rapid Diagnosis of COVID-19 Pneumonia with Batch Effect Removal of Chest CT-Scans and Interpretable Artificial Intelligence [0.0]
我々は、健康な人、新型コロナウイルス患者、他の肺炎疾患患者をCTスキャン画像から識別する、解釈可能な新しいディープニューラルネットワークを設計した。このモデルは97.75%と98.15%の感度に達し、87%と81.03%の特異性は、病気から健康な人々と他の病気から分離している。
論文参考訳（メタデータ） (2020-11-23T21:23:55Z)
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)
COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
論文参考訳（メタデータ） (2020-09-08T15:49:55Z)
Study of Different Deep Learning Approach with Explainable AI for Screening Patients with COVID-19 Symptoms: Using CT Scan and Chest X-ray Image Dataset [1.4680035572775532]
新型コロナウイルスの感染拡大で、米国だけでもこれまでに10万人以上の死者が出た。患者数の増加に伴い、利用可能なテストキットでテストを実施するのが難しくなっている。本研究の目的は、CTスキャンと胸部X線画像データセットの両方において、より正確な精度で新型コロナウイルス患者を検出できるディープラーニングベースのモデルを開発することである。
論文参考訳（メタデータ） (2020-07-24T13:51:58Z)
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)
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)
JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文参考訳（メタデータ） (2020-04-15T12:30:40Z)

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。