論文の概要: Enhanced detection of the presence and severity of COVID-19 from CT scans using lung segmentation

• arxiv url: http://arxiv.org/abs/2303.09440v2
• Date: Sun, 19 Mar 2023 09:02:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-21 11:30:20.309368
• Title: Enhanced detection of the presence and severity of COVID-19 from CT scans using lung segmentation
• Title（参考訳）: 肺セグメンテーションを用いたct検査によるcovid-19検出の増強と重症度
• Authors: Robert Turnbull
• Abstract要約: 本稿では,2022年大会に提出されたディープラーニングモデルであるCov3dのバージョン2を示す。 その結果、CTスキャンにおける新型コロナウイルスの存在を93.2%で予測するための検証マクロF1スコアが得られた。 タスク2のバリデーションセットにおいて、新型コロナウイルスの重症度を予測するマクロF1スコアを、ベースラインの38%以上である72.8%に設定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Improving automated analysis of medical imaging will provide clinicians more options in providing care for patients. The 2023 AI-enabled Medical Image Analysis Workshop and Covid-19 Diagnosis Competition (AI-MIA-COV19D) provides an opportunity to test and refine machine learning methods for detecting the presence and severity of COVID-19 in patients from CT scans. This paper presents version 2 of Cov3d, a deep learning model submitted in the 2022 competition. The model has been improved through a preprocessing step which segments the lungs in the CT scan and crops the input to this region. It results in a validation macro F1 score for predicting the presence of COVID-19 in the CT scans at 93.2% which is significantly above the baseline of 74\%. It gives a macro F1 score for predicting the severity of COVID-19 on the validation set for task 2 as 72.8% which is above the baseline of 38%.
• Abstract（参考訳）: 医療画像の自動解析の改善は、患者にケアを提供するためのより多くの選択肢を提供する。 2023年のAI対応医療画像分析ワークショップとコビッド-19診断コンペティション(AI-MIA-COV19D)は、CTスキャンから新型コロナウイルスの存在と重症度を検出する機械学習手法を試験、洗練する機会を提供する。 本稿では2022年大会に提出されたディープラーニングモデルであるCov3dのバージョン2を示す。 モデルは、CTスキャンの肺を分画し、この領域への入力を収穫する前処理ステップによって改善されている。 その結果、CTスキャンにおけるCOVID-19の存在を予測するための検証マクロF1スコアが93.2%となり、ベースラインの74.%を大きく上回っている。 タスク2の検証セットにおけるcovid-19の重症度を予測するマクロf1スコアを72.8%と、ベースラインの38%を上回っている。

関連論文リスト

• Enhancing COVID-19 Severity Analysis through Ensemble Methods [13.792760290422185]
  本稿では、新型コロナウイルス患者の感染症領域を抽出するためのドメイン知識に基づくパイプラインを提案する。 感染の重症度は、3つの機械学習モデルのアンサンブルを使用して異なるカテゴリに分類される。 提案システムは,AI-Enabled Medical Image Analysis WorkshopとCOVID-19診断コンペティションの検証データセットを用いて評価した。
  論文  参考訳（メタデータ） (2023-03-13T13:59:47Z)
• Cov3d: Detection of the presence and severity of COVID-19 from CT scans using 3D ResNets [0.0]
  Cov3dは、胸部CTスキャンからCOVID19の存在と重症度を検出するための3次元畳み込みニューラルネットワークである。 COVID19の重症度を分類する作業では、マクロf1スコアが0.7552に達する。
  論文  参考訳（メタデータ） (2022-07-05T05:22:38Z)
• Dual-Attention Residual Network for Automatic Diagnosis of COVID-19 [6.941255691176647]
  我々は,他の一般的な肺炎患者や正常者から,CT画像を用いてCOVID-19を自動同定する新たな残留ネットワークを提案する。 この方法では、他の2つのクラスと94.7%の精度、93.73%の感度、98.28%の特異性、95.26%のF1スコア、および受信機動作特性曲線(AUC)の0.99の領域を区別することができる。
  論文  参考訳（メタデータ） (2021-05-14T11:59:47Z)
• 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)
• Automated triage of COVID-19 from various lung abnormalities using chest CT features [2.4956060473718407]
  入力胸部CTをスキャンし、新型コロナウイルスの患者をトリアージする、完全に自動化されたAIベースのシステムを提案する。 肺や感染症の統計、テクスチャ、形状、位置など、さまざまな特徴を生成して、機械学習ベースの分類器を訓練します。 2191例のCTデータセットを用いて本システムの評価を行い,90.8%の感度で85.4%の特異性,94.0%のROC-AUCで堅牢な解を示した。
  論文  参考訳（メタデータ） (2020-10-24T19:44:48Z)
• 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)
• A New Screening Method for COVID-19 based on Ocular Feature Recognition by Machine Learning Tools [66.20818586629278]
  コロナウイルス感染症2019(COVID-19)は、数百万人に影響している。 一般的なCCDやCMOSカメラで撮影された視線領域の画像を分析する新しいスクリーニング手法は、新型コロナウイルスの急激なリスクスクリーニングを確実に実現する可能性がある。
  論文  参考訳（メタデータ） (2020-09-04T00:50:27Z)
• 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)
• Adaptive Feature Selection Guided Deep Forest for COVID-19 Classification with Chest CT [49.09507792800059]
  胸部CT画像に基づくCOVID-19分類のための適応的特徴選択ガイド付き深層林(AFS-DF)を提案する。 AFS-DF on COVID-19 data with 1495 patients of COVID-19 and 1027 patients of community acquired pneumonia (CAP)。
  論文  参考訳（メタデータ） (2020-05-07T06:00:02Z)
• 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)

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。