論文の概要: Boosting COVID-19 Severity Detection with Infection-aware Contrastive Mixup Classifcation

• arxiv url: http://arxiv.org/abs/2211.14559v1
• Date: Sat, 26 Nov 2022 13:11:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 19:59:45.463192
• Title: Boosting COVID-19 Severity Detection with Infection-aware Contrastive Mixup Classifcation
• Title（参考訳）: 感染症対応コントラスト混合分類による重症度検出の強化
• Authors: Junlin Hou, Jilan Xu, Nan Zhang, Yuejie Zhang, Xiaobo Zhang, and Rui Feng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.255924274624368
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents our solution for the 2nd COVID-19 Severity Detection Competition. This task aims to distinguish the Mild, Moderate, Severe, and Critical grades in COVID-19 chest CT images. In our approach, we devise a novel infection-aware 3D Contrastive Mixup Classifcation network for severity grading. Specifcally, we train two segmentation networks to frst extract the lung region and then the inner lesion region. The lesion segmentation mask serves as complementary information for the original CT slices. To relieve the issue of imbalanced data distribution, we further improve the advanced Contrastive Mixup Classifcation network by weighted cross-entropy loss. On the COVID-19 severity detection leaderboard, our approach won the frst place with a Macro F1 Score of 51.76%. It signifcantly outperforms the baseline method by over 11.46%.
• Abstract（参考訳）: 本稿では,第2回COVID-19重症度検出コンペティションのソリューションを提案する。 この課題は、新型コロナウイルス(COVID-19)の胸部CT画像のマイルド、モデレート、重症度、臨界度を区別することを目的としている。 本手法では,重度評価のための新しい感染症対応3dコントラスト・ミックスアップ分類ネットワークを考案する。 病理組織学的には, 2つの分節化ネットワークを訓練し, 肺領域と内病変領域をfrstで抽出した。 病変分割マスクは、元のCTスライスを補完する情報として機能する。 不均衡なデータ分散の問題を解消するため、重み付きクロスエントロピー損失による高度なコントラスト混合分類網をさらに改善する。 新型コロナウイルスの重症度検出リーダーボードでは,f1マクロスコア51.76%でfrstを制した。 これはベースラインメソッドを11.46%以上も上回っている。

関連論文リスト

• COVID-CT-H-UNet: a novel COVID-19 CT segmentation network based on attention mechanism and Bi-category Hybrid loss [7.139873310466422]
  新型コロナウイルス(COVID-19)の流行は、医療研究に重要な焦点をあてている。 RT-PCRの補充と、CT画像による新型コロナウイルスの病理学的研究が重要視されている。 本稿では,これらの問題を解決するために,COVID-19 CTセグメンテーションネットワークであるCOVID-CT-H-UNetを提案する。
  論文  参考訳（メタデータ） (2024-03-16T10:25:07Z)
• FDVTS's Solution for 2nd COV19D Competition on COVID-19 Detection and Severity Analysis [10.334617290353194]
  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。
  論文  参考訳（メタデータ） (2022-07-05T01:35:29Z)
• Adaptation to CT Reconstruction Kernels by Enforcing Cross-domain Feature Maps Consistency [0.06117371161379209]
  本研究は,スムーズで訓練し,鋭い再構築カーネル上で試験したモデルにおいて,新型コロナウイルスのセグメンテーション品質の低下を示すものである。 本稿では,F-Consistency(F-Consistency)と呼ばれる,教師なし適応手法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T10:00:03Z)
• 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)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Quadruple Augmented Pyramid Network for Multi-class COVID-19 Segmentation via CT [1.6815638149823744]
  新型コロナウイルス(COVID-19)は、世界で最も深刻な感染症の1つとなっています。 本稿では,放射線科医が肺の容積を推定するためのマルチクラスctセグメンテーションを提案する。
  論文  参考訳（メタデータ） (2021-03-09T16:48:15Z)
• Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
  本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。 このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
  論文  参考訳（メタデータ） (2021-03-01T06:05:49Z)
• CT Image Segmentation for Inflamed and Fibrotic Lungs Using a Multi-Resolution Convolutional Neural Network [6.177921466996229]
  本研究の目的は, 各種密度増強肺異常に対して頑健な完全自動セグメンテーションアルゴリズムを開発することである。 急性肺障害を患うヒトの左肺と右肺に特異的にラベル付けされた肺と非特異的にラベル付けされた肺の両方を1つのニューラルネットワークのトレーニングに組み込んだ多形性訓練手法が提案されている。 結果として生じるネットワークは、ヒトの左右の肺領域を、びまん性オパーシフィケーションと凝縮を伴わずに予測することを目的としている。
  論文  参考訳（メタデータ） (2020-10-16T18:25:59Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• 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)

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。