論文の概要: COVID-19 Detection and Analysis From Lung CT Images using Novel Channel Boosted CNNs

• arxiv url: http://arxiv.org/abs/2209.10963v1
• Date: Thu, 22 Sep 2022 12:32:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 14:17:55.280285
• Title: COVID-19 Detection and Analysis From Lung CT Images using Novel Channel Boosted CNNs
• Title（参考訳）: CNNを用いた肺CT画像からのCOVID-19検出と解析
• Authors: Saddam Hussain Khan
• Abstract要約: 2相ディープ畳み込みニューラルネットワーク(CNN)に基づく診断システムを提案し、微小な異常を検出し、COVID-19感染を分析する。 提案した診断システムは、精度が98.21 %、Fスコアが98.24%、Dice similarityが96.40 %、IOUが98.85 %である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In December 2019, the global pandemic COVID-19 in Wuhan, China, affected human life and the worldwide economy. Therefore, an efficient diagnostic system is required to control its spread. However, the automatic diagnostic system poses challenges with a limited amount of labeled data, minor contrast variation, and high structural similarity between infection and background. In this regard, a new two-phase deep convolutional neural network (CNN) based diagnostic system is proposed to detect minute irregularities and analyze COVID-19 infection. In the first phase, a novel SB-STM-BRNet CNN is proposed, incorporating a new channel Squeezed and Boosted (SB) and dilated convolutional-based Split-Transform-Merge (STM) block to detect COVID-19 infected CT lungs images. The new STM blocks performed multi-path region-smoothing and boundary operations, which helped to learn minor contrast variation and global COVID-19 specific patterns. Furthermore, the diverse boosted channels are achieved using the SB and Transfer Learning concepts in STM blocks to learn texture variation between COVID-19-specific and healthy images. In the second phase, COVID-19 infected images are provided to the novel COVID-CB-RESeg segmentation CNN to identify and analyze COVID-19 infectious regions. The proposed COVID-CB-RESeg methodically employed region-homogeneity, heterogeneity operations, and channel boosting using auxiliary channels in each encoder and decoder block to simultaneously learn the low illumination and boundaries of the COVID-19 infected region. The proposed diagnostic system yields good performance in terms of accuracy: 98.21 %, F-score: 98.24%, Dice Similarity: 96.40 %, and IOU: 98.85 % for the COVID-19 infected region. The proposed diagnostic system would reduce the burden and strengthen the radiologist's decision for a fast and accurate COVID-19 diagnosis.
• Abstract（参考訳）: 2019年12月、中国・武漢の世界的なパンデミック(covid-19)が人間生活と世界経済に影響を及ぼした。 したがって, その拡散を制御するには効率的な診断システムが必要である。 しかし、自動診断システムは、限られた量のラベル付きデータ、小さなコントラスト変動、感染と背景の間の構造的類似性で課題を提起する。 そこで本研究では,2相ディープ畳み込みニューラルネットワーク(CNN)を用いた診断システムを提案する。 第1フェーズでは、新たにSqueezed and Boosted (SB) と拡張畳み込み型Split-Transform-Merge (STM) ブロックを組み込んだ新しいSB-STM-BRNet CNNが提案されている。 新しいSTMブロックはマルチパス領域平滑化と境界操作を実行し、小さなコントラストの変化とグローバルなCOVID-19パターンの学習に役立った。 さらに,STMブロックのSBとTransfer Learningの概念を用いて,新型コロナウイルス特異的画像と健康画像のテクスチャ変化を学習する。 第2段階では、covid-19感染地域を特定し分析するために、covid-19-cb-reseg segmentation cnnに新型コロナウイルス感染の画像が提供される。 提案したCOVID-CB-RESegは、各エンコーダおよびデコーダブロックの補助チャネルを用いて、地域均質性、異質性操作、チャネルブースティングを用いて、新型コロナウイルス感染領域の低照度と境界を同時に学習する。 提案した診断システムは、精度が98.21 %、Fスコアが98.24%、Dice similarityが96.40 %、IOUが98.85 %である。 提案する診断システムは、迅速かつ正確なcovid-19診断に対する放射線科医の判断を強化し、負担を軽減する。

関連論文リスト

• COVID-19 Infection Analysis Framework using Novel Boosted CNNs and Radiological Images [0.0]
  新型の2段階分析フレームワークは、新型コロナウイルス感染の微小な不規則性を分析するために開発された。 畳み込みニューラルネットワーク(CNN:Convolutional Neural Network, STM-BRNet)を開発した。 提案手法は単相および他の報告システムと比較して性能が有意に向上した。
  論文  参考訳（メタデータ） (2023-02-06T08:39:27Z)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• 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)
• COVID-19 Detection in Chest X-Ray Images using a New Channel Boosted CNN [0.7168794329741259]
  COVID-19は、非常に伝染性の呼吸器感染症であり、世界中の人口に影響を与えています。 感染のスパンを制限するには、早期にCOVID-19を検出することが不可欠です。 胸部x線検査におけるcb-stm-renetの新しい分類法を提案する。
  論文  参考訳（メタデータ） (2020-12-08T11:23:02Z)
• COVID-FACT: A Fully-Automated Capsule Network-based Framework for Identification of COVID-19 Cases from Chest CT scans [29.327290778950324]
  我々は「COVID-FACT」と呼ばれる新型コロナウイルス陽性症例の同定のための2段階完全自動化フレームワークを提案する。 COVID-FACTは感染したスライスを検出し、社内CTスキャンデータセットを使用して陽性のCOVID-19患者を特定する。 この実験に基づいて、COVID-FACTは90.82%の精度、94.55%の感度、86.04%の特異度、および0.98のエリアアンダー・ザ・カーブ(AUC)を達成できるが、監督やアノテーションははるかに少ない。
  論文  参考訳（メタデータ） (2020-10-30T03:30:22Z)
• 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)
• Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
  胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。 特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。 我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
  論文  参考訳（メタデータ） (2020-05-06T09:56:51Z)
• COVID-19 Chest CT Image Segmentation -- A Deep Convolutional Neural Network Solution [34.08284037107891]
  我々は,胸部CT画像と新型コロナウイルス感染のセグメンテーションに適した,新しい深部畳み込みニューラルネットワークを構築した。 感染した肺の境界線はグローバルな強度を調節することで高められるという観察にインスパイアされ,提案した深部CNNでは特徴変化ブロックを導入する。 提案したFVブロックは,多種多様なケースに対して効果的かつ適応的に特徴表現の能力を高めることができる。
  論文  参考訳（メタデータ） (2020-04-23T06:09:16Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)
• 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)
• COVID_MTNet: COVID-19 Detection with Multi-Task Deep Learning Approaches [5.578413517654704]
  本稿では,多タスク深層学習(DL)手法を用いて,新型コロナウイルス患者を迅速かつ効率的に識別する方法を提案する。 提案手法について,X線およびCTスキャン画像を用いて検討した。 検出モデルは、X線画像から約84.67%の精度と、CT画像の98.78%の精度を示している。
  論文  参考訳（メタデータ） (2020-04-07T23:19:59Z)

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。