論文の概要: 2D and 3D CNN-Based Fusion Approach for COVID-19 Severity Prediction from 3D CT-Scans

• arxiv url: http://arxiv.org/abs/2303.08740v1
• Date: Wed, 15 Mar 2023 16:27:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-16 13:05:23.996421
• Title: 2D and 3D CNN-Based Fusion Approach for COVID-19 Severity Prediction from 3D CT-Scans
• Title（参考訳）: 3次元CTスキャンによるCOVID-19重症度予測のための2次元CNNと3次元CNNの融合法
• Authors: Fares Bougourzi and Fadi Dornaika and Amir Nakib and Cosimo Distante and Abdelmalik Taleb-Ahmed
• Abstract要約: この研究は、Covid-19 Severity Predictionの第3回COV19Dコンペティションの一部である。 本稿では,Stem,3D-ResNetの4層,分類ヘッド層,決定層という4つのブロックからなるハイブリッドDeCoVNetアーキテクチャを提案する。 提案手法は,Covid-19重症度予測のための第3回COV19Dコンペティションのバリデーションデータのベースラインアプローチを36%向上させた。
• 参考スコア（独自算出の注目度）: 17.634096977363907
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Since the appearance of Covid-19 in late 2019, Covid-19 has become an active research topic for the artificial intelligence (AI) community. One of the most interesting AI topics is Covid-19 analysis of medical imaging. CT-scan imaging is the most informative tool about this disease. This work is part of the 3nd COV19D competition for Covid-19 Severity Prediction. In order to deal with the big gap between the validation and test results that were shown in the previous version of this competition, we proposed to combine the prediction of 2D and 3D CNN predictions. For the 2D CNN approach, we propose 2B-InceptResnet architecture which consists of two paths for segmented lungs and infection of all slices of the input CT-scan, respectively. Each path consists of ConvLayer and Inception-ResNet pretrained model on ImageNet. For the 3D CNN approach, we propose hybrid-DeCoVNet architecture which consists of four blocks: Stem, four 3D-ResNet layers, Classification Head and Decision layer. Our proposed approaches outperformed the baseline approach in the validation data of the 3nd COV19D competition for Covid-19 Severity Prediction by 36%.
• Abstract（参考訳）: 2019年後半にCovid-19が登場して以来、Covid-19は人工知能(AI)コミュニティの活発な研究トピックとなっている。 最も興味深いAIトピックの1つは、医療画像のCovid-19分析である。 CT-Scan Imagingは、この病気の最も有益なツールである。 この研究は、Covid-19 Severity Predictionの第3回COV19Dコンペティションの一部である。 このコンペの前のバージョンで示された検証結果とテスト結果の間の大きなギャップに対処するため、2dと3d cnnの予測を組み合わせることを提案した。 2D CNN アプローチでは,2B-InceptResnet アーキテクチャは肺分画とCTスキャンの全スライス感染の2つの経路から構成される。 それぞれのパスは、ImageNet上でトレーニング済みのConvLayerとInception-ResNetで構成されている。 3D CNN方式では,Stem,4つの3D-ResNet層,分類ヘッド層,決定層からなるハイブリッドDeCoVNetアーキテクチャを提案する。 提案手法は,Covid-19重症度予測のための第3回COV19Dコンペティションのバリデーションデータのベースラインアプローチを36%向上させた。

関連論文リスト

• Ensembling and Test Augmentation for Covid-19 Detection and Covid-19 Domain Adaptation from 3D CT-Scans [14.86694804384387]
  本稿では,第4回COV19Dコンペティションに貢献し,Covid-19 DetectionとCovid-19 Adaptation Challengesに着目した。 アプローチは肺セグメンテーションとCovid-19感染症セグメンテーションを中心にしている。 我々は3つの3D CNNバックボーン、Customized Hybrid-DeCoVNet、事前訓練された3D-Resnet-18および3D-Resnet-50モデルを用いてCovid-19の認識を訓練する。
  論文  参考訳（メタデータ） (2024-03-17T20:44:38Z)
• Invariant Training 2D-3D Joint Hard Samples for Few-Shot Point Cloud Recognition [108.07591240357306]
  我々は,従来の3次元モデルとよく訓練された2次元モデルとの合同予測を用いて,少数の3次元物体の雲認識におけるデータ不足問題に取り組む。 異なるラベルに対して高い信頼性の予測を行う'結合型ハードサンプル'のトレーニングは、クラックがより効果的でないことが分かりました。 InvJointと呼ばれる提案した不変トレーニング戦略は、ハードサンプルに重点を置いているだけでなく、矛盾する2Dと3Dの不明瞭な予測の相違も求めている。
  論文  参考訳（メタデータ） (2023-08-18T17:43:12Z)
• D-TrAttUnet: Dual-Decoder Transformer-Based Attention Unet Architecture for Binary and Multi-classes Covid-19 Infection Segmentation [18.231677739397977]
  我々はCTスライスからのCovid-19感染症分離のためのTransformer-CNNベースの新しいアプローチを提案する。 Transformer-CNNエンコーダはTransformerレイヤ、UpResBlocks、ResBlocks、max-poolingレイヤを使って構築されている。 The proposed D-TrAttUnet architecture is evaluate for both Binary and Multi-classes Covid-19 infection segmentation。
  論文  参考訳（メタデータ） (2023-03-27T20:05:09Z)
• Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
  Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。 従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。 これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。 本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:38:42Z)
• Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
  CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。 現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。 既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
  論文  参考訳（メタデータ） (2022-11-10T13:11:21Z)
• Res-Dense Net for 3D Covid Chest CT-scan classification [4.587122314291089]
  重み付きディープニューラルネットワークを用いて3次元CTスキャン画像からCovid 19を検出する手法を提案する。 この手法は,いくつかの評価指標において競合性能を達成する。
  論文  参考訳（メタデータ） (2022-08-09T09:13:00Z)
• Ensemble CNN models for Covid-19 Recognition and Severity Perdition From 3D CT-scan [18.231677739397977]
  この研究は第2回COV19Dコンペティションの一環で、Covid-19 DetectionとCovid-19 Severity Detection from the CT-Scansという2つの課題が設定されている。 我々はCTスキャンからCovid-19を検出するために,Densenet-161モデルを用いた2次元畳み込みブロックのアンサンブルを提案した。 提案手法は,第2回COV19Dコンペティションのバリデーションデータにおいて,Covid-19検出では11%,Covid-19重症度検出では16%,Covid-19重症度検出では16%,ベースラインアプローチでは2。
  論文  参考訳（メタデータ） (2022-06-29T14:20:23Z)
• 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)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• Improving Automated COVID-19 Grading with Convolutional Neural Networks in Computed Tomography Scans: An Ablation Study [3.072491397378425]
  本稿では,CNNに基づくCT画像からのCOVID-19グレーティングのためのアルゴリズムの性能向上に寄与する各種成分を同定する。 これらの成分を用いた3D CNNは, テストセット105CTでは0.934のLOC曲線 (AUC) , 公開されている742CTでは0.923のAUCを達成した。
  論文  参考訳（メタデータ） (2020-09-21T09:58:57Z)
• COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images [93.0013343535411]
  我々は,胸部X線(CXR)画像から新型コロナウイルスの症例を検出するための,深層畳み込みニューラルネットワーク設計であるCOVID-Netを紹介した。 著者たちの知る限りでは、COVID-NetはCXRイメージからCOVID-19を検出するための、最初のオープンソースネットワーク設計の1つである。 また,13,870人の患者を対象に,13,975個のCXR画像からなるオープンアクセスベンチマークデータセットであるCOVIDxも導入した。
  論文  参考訳（メタデータ） (2020-03-22T12:26:36Z)

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。