論文の概要: Towards Automated COVID-19 Presence and Severity Classification
- arxiv url: http://arxiv.org/abs/2305.08660v1
- Date: Mon, 15 May 2023 14:07:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 14:14:10.839033
- Title: Towards Automated COVID-19 Presence and Severity Classification
- Title（参考訳）: 新型コロナウイルス(covid-19)の自動検出と重症度分類に向けて
- Authors: Dominik M\"uller, Niklas Schr\"oter, Silvan Mertes, Fabio Hellmann,
Miriam Elia, Wolfgang Reif, Bernhard Bauer, Elisabeth Andr\'e, Frank Kramer
- Abstract要約: 提示されたアプローチは、これらの状況において医療専門家を支援するための最先端技術に従う。
提示されたモデルは、新型コロナウイルスの重症度を予測するために79.0%のAUCを、感染の有無を分類するために83.7%のAUCを達成している。
- 参考スコア（独自算出の注目度）: 2.3890320616869425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: COVID-19 presence classification and severity prediction via (3D) thorax
computed tomography scans have become important tasks in recent times.
Especially for capacity planning of intensive care units, predicting the future
severity of a COVID-19 patient is crucial. The presented approach follows
state-of-theart techniques to aid medical professionals in these situations. It
comprises an ensemble learning strategy via 5-fold cross-validation that
includes transfer learning and combines pre-trained 3D-versions of ResNet34 and
DenseNet121 for COVID19 classification and severity prediction respectively.
Further, domain-specific preprocessing was applied to optimize model
performance. In addition, medical information like the infection-lung-ratio,
patient age, and sex were included. The presented model achieves an AUC of
79.0% to predict COVID-19 severity, and 83.7% AUC to classify the presence of
an infection, which is comparable with other currently popular methods. This
approach is implemented using the AUCMEDI framework and relies on well-known
network architectures to ensure robustness and reproducibility.
- Abstract（参考訳）: トモグラフィーによる3次元胸郭CTによる新型コロナウイルスの存在分類と重症度予測が近年重要視されている。
特に集中治療室の容量計画では、新型コロナウイルス患者の将来の重症度を予測することが重要である。
提示されたアプローチは、これらの状況において医療専門家を支援するための最先端技術に従う。
resnet34の事前学習された3dバージョンと、covid-19分類と重症度予測のためのdancenet121をそれぞれ組み合わせた、転送学習を含む5倍クロスバリデーションによるアンサンブル学習戦略を含む。
さらに、モデル性能を最適化するためにドメイン固有の前処理を適用した。
また, 感染率, 患者年齢, 性別などの医療情報も含まれていた。
提示されたモデルでは、新型コロナウイルスの重症度を予測するためのAUCが79.0%、感染の有無を分類するためのAUCが83.7%である。
このアプローチはAUCMEDIフレームワークを使用して実装され、堅牢性と再現性を確保するためによく知られたネットワークアーキテクチャに依存している。
関連論文リスト
- 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) - COVID-Net CT-S: 3D Convolutional Neural Network Architectures for
COVID-19 Severity Assessment using Chest CT Images [85.00197722241262]
我々は、新型コロナウイルス感染による肺疾患の重症度を予測するための深層畳み込みニューラルネットワークであるCOVID-Net CT-Sを紹介した。
3D残像設計を利用して、新型コロナウイルスの肺疾患の重症度を特徴付ける容積的視覚指標を学習する。
論文 参考訳（メタデータ） (2021-05-04T04:44:41Z) - COVID-19 identification from volumetric chest CT scans using a
progressively resized 3D-CNN incorporating segmentation, augmentation, and
class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。
高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。
本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文 参考訳（メタデータ） (2021-02-11T18:16:18Z) - Classification supporting COVID-19 diagnostics based on patient survey
data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。
得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。
このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文 参考訳（メタデータ） (2020-11-24T17:44:01Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - Contrastive Cross-site Learning with Redesigned Net for COVID-19 CT
Classification [20.66003113364796]
新型コロナウイルス感染症(COVID-19)のパンデミックにより、世界の公衆衛生危機が数百カ国で拡大している。
画像解釈の面倒な作業量を削減するとともに、臨床診断を支援するために、CT画像を用いたCOVID-19識別自動化ツールの開発が望まれている。
本稿では、異種データセットを効果的に学習することで、正確な新型コロナウイルス識別を行うための新しい共同学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-15T11:09:04Z) - 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) - Automated Chest CT Image Segmentation of COVID-19 Lung Infection based
on 3D U-Net [0.0]
新型コロナウイルス(COVID-19)は世界中の何十億もの生命に影響を与え、公衆医療に大きな影響を与えている。
新型コロナウイルス感染地域のための革新的な自動セグメンテーションパイプラインを提案する。
本手法は,複数の前処理手法を実行することにより,一意およびランダムな画像パッチをオンザフライで生成する訓練に焦点をあてる。
論文 参考訳（メタデータ） (2020-06-24T17:29:26Z) - Exploration of Interpretability Techniques for Deep COVID-19
Classification using Chest X-ray Images [10.01138352319106]
5種類のディープラーニングモデル(ResNet18、ResNet34、InceptionV3、InceptionResNetV2、DenseNet161)とそれらのEnsembleは、Chest X-Ray画像を用いて、新型コロナウイルス、肺炎、健康な被験者を分類するために使用されている。
新型コロナウイルスの分類における平均的なMicro-F1スコアは0.66から0.875の範囲で、ネットワークモデルのアンサンブルは0.89である。
論文 参考訳（メタデータ） (2020-06-03T22:55:53Z) - 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) - COVID-ResNet: A Deep Learning Framework for Screening of COVID19 from
Radiographs [1.9798034349981157]
新型コロナウイルスと他の肺炎を鑑別するための正確な畳み込みニューラルネットワークフレームワークを提案する。
本研究は,モデル性能を向上させるために,トレーニング済みのResNet-50アーキテクチャを微調整する3段階の手法を提案する。
このモデルは、新型コロナウイルスの早期スクリーニングに役立ち、医療システムの負担軽減に役立つ。
論文 参考訳（メタデータ） (2020-03-31T17:42:28Z)
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。