Fugu-MT 論文翻訳(概要): CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis

論文の概要: CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis

arxiv url: http://arxiv.org/abs/2210.05440v1
Date: Tue, 11 Oct 2022 13:30:34 GMT
ステータス: 処理完了
システム内更新日: 2022-10-12 17:23:37.866069
Title: CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis
Title（参考訳）: 胸部x線診断支援のための理解可能なオンラインシステムcirca
Authors: Wojciech Prazuch, Aleksandra Suwalska, Marek Socha, Joanna Tobiasz, Pawel Foszner, Jerzy Jaroszewicz, Katarzyna Gruszczynska, Magdalena Sliwinska, Jerzy Walecki, Tadeusz Popiela, Grzegorz Przybylski, Andrzej Cieszanowski, Mateusz Nowak, Malgorzata Pawlowska, Robert Flisiak, Krzysztof Simon, Gabriela Zapolska, Barbara Gizycka, Edyta Szurowska, POLCOVID Study Group, Michal Marczyk, Joanna Polanska
Abstract要約: 深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
参考スコア（独自算出の注目度）: 37.41181188499616
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Due to the large accumulation of patients requiring hospitalization, the COVID-19 pandemic disease caused a high overload of health systems, even in developed countries. Deep learning techniques based on medical imaging data can help in the faster detection of COVID-19 cases and monitoring of disease progression. Regardless of the numerous proposed solutions for lung X-rays, none of them is a product that can be used in the clinic. Five different datasets (POLCOVID, AIforCOVID, COVIDx, NIH, and artificially generated data) were used to construct a representative dataset of 23 799 CXRs for model training; 1 050 images were used as a hold-out test set, and 44 247 as independent test set (BIMCV database). A U-Net-based model was developed to identify a clinically relevant region of the CXR. Each image class (normal, pneumonia, and COVID-19) was divided into 3 subtypes using a 2D Gaussian mixture model. A decision tree was used to aggregate predictions from the InceptionV3 network based on processed CXRs and a dense neural network on radiomic features. The lung segmentation model gave the Sorensen-Dice coefficient of 94.86% in the validation dataset, and 93.36% in the testing dataset. In 5-fold cross-validation, the accuracy for all classes ranged from 91% to 93%, keeping slightly higher specificity than sensitivity and NPV than PPV. In the hold-out test set, the balanced accuracy ranged between 68% and 100%. The highest performance was obtained for the subtypes N1, P1, and C1. A similar performance was obtained on the independent dataset for normal and COVID-19 class subtypes. Seventy-six percent of COVID-19 patients wrongly classified as normal cases were annotated by radiologists as with no signs of disease. Finally, we developed the online service (https://circa.aei.polsl.pl) to provide access to fast diagnosis support tools.
Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、入院を必要とする患者が大量に蓄積しているため、先進国でも医療システムの過剰な増加を引き起こした。医療画像データに基づくディープラーニング技術は、covid-19症例の早期検出と疾患進行の監視に役立つ。肺x線に対する様々な解決策が提案されているが、いずれもクリニックで使用できる製品ではない。 5つの異なるデータセット(polcovid, aiforcovid, covidx, nih, artificially generated data)を使用して、モデルトレーニングのための23799cxrの代表データセットを構築し、1つの050イメージをホールドアウトテストセットとして、44247を独立テストセット(bimcvデータベース)として使用した。 cxrの臨床的に関連する領域を特定するために、u-netベースのモデルが開発された。各画像クラス(正常,肺炎,COVID-19)は2Dガウス混合モデルを用いて3つのサブタイプに分けられた。 InceptionV3ネットワークからの予測を、処理されたCXRと高密度ニューラルネットワークに基づいて集約するために、決定木を使用した。肺分画モデルでは、sorensen-dice係数は検証データセットで94.86%、テストデータセットで93.36%であった。 5倍のクロスバリデーションでは,全クラスの精度は91%から93%であり,感度やPVよりもわずかに高い特異性を示した。ホールドアウトテストセットでは、バランスの取れた精度は68%から100%であった。最高性能はn1,p1,c1のサブタイプで得られた。正常およびCOVID-19クラスサブタイプの独立したデータセットで同様のパフォーマンスが得られた。正常例に分類された新型コロナウイルスの76%は、放射線科医が病気の兆候がないと注釈を付けていた。最後に、高速診断支援ツールへのアクセスを提供するオンラインサービス(https://circa.aei.polsl.pl)を開発しました。

関連論文リスト

COVIDx CXR-3: A Large-Scale, Open-Source Benchmark Dataset of Chest X-ray Images for Computer-Aided COVID-19 Diagnostics [69.55060769611916]
RT-PCR検査の補助的スクリーニング戦略としての胸部X線撮影(CXR)の利用が増加している。 CXRイメージングに基づく新型コロナウイルススクリーニングのための多くの視覚知覚モデルが提案されている。我々は、COVID-19コンピュータビジョン研究を支援するために、CXR画像の大規模なベンチマークデータセットであるCOVIDx CXR-3を紹介する。
論文参考訳（メタデータ） (2022-06-08T04:39:44Z)
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)
Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19 Using Convolutional Neural Network [2.752817022620644]
最近の研究で、新型コロナウイルス患者のX線写真には、新型コロナウイルスに関する情報が含まれていることが示されている。胸部X線(CXR)は、高速な撮像時間、広範囲の可用性、低コスト、可搬性から注目されている。本研究では、CXR画像から新型コロナウイルスの分類を改善するために、新しい多機能畳み込みニューラルネットワーク(CNN)アーキテクチャを設計する。
論文参考訳（メタデータ） (2020-11-06T20:26:26Z)
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)
RANDGAN: Randomized Generative Adversarial Network for Detection of COVID-19 in Chest X-ray [0.0]
新型コロナウイルス(COVID-19)が世界中に広がる中で、医療機関は患者を診断し、必要な頻度で検査する能力を失っている。研究は、胸部X線でウイルス性細菌性肺炎から新型コロナウイルスを検出できる有望な結果を示している。本研究では,ラベルやトレーニングデータを必要とせず,未知のクラス(COVID-19)の画像を検出するランダム化生成敵ネットワーク(RANDGAN)を提案する。
論文参考訳（メタデータ） (2020-10-06T15:58:09Z)
COVID-19 Classification of X-ray Images Using Deep Neural Networks [36.99143569437537]
本研究の目的は、新型コロナウイルスの診断のための機械学習モデルの作成と評価である。機械学習モデルは、事前訓練されたディープラーニングモデル(ReNet50)を使用して構築され、データ拡張と肺分節によって強化された。精度,感度,受信特性曲線(ROC)と高精度リコール曲線(P-R)を用いて評価した。
論文参考訳（メタデータ） (2020-10-03T13:57:08Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
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)
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)
CoroNet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images [0.0]
CoroNetは、胸部X線画像からCOVID-19感染を自動的に検出するDeep Conceptional Neural Networkモデルである。提案したモデルは全体の89.6%の精度を達成し、新型コロナウイルス患者の精度とリコール率は93%と98.2%である。
論文参考訳（メタデータ） (2020-04-10T07:46:07Z)
Automatic Detection of Coronavirus Disease (COVID-19) Using X-ray Images and Deep Convolutional Neural Networks [0.0]
中国発祥の新型コロナウイルス(COVID-19)は、他国に住む人々の間で急速に広まっている。新型コロナウイルス(COVID-19)検査キットは毎日増えているため、病院では限られている。 5つの事前訓練された畳み込みニューラルネットワークに基づくモデルが、胸部X線写真を用いた新型コロナウイルス感染者の検出のために提案されている。
論文参考訳（メタデータ） (2020-03-24T13:50:23Z)

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。