論文の概要: COVID-19 detection using ViT transformer-based approach from Computed
Tomography Images
- arxiv url: http://arxiv.org/abs/2310.08165v2
- Date: Tue, 28 Nov 2023 08:45:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 14:03:22.656281
- Title: COVID-19 detection using ViT transformer-based approach from Computed
Tomography Images
- Title（参考訳）: トモグラフィー画像からのVTトランスフォーマーを用いたCOVID-19検出
- Authors: Kenan Morani
- Abstract要約: 我々は,CT画像を用いた新型コロナウイルス診断の精度と効率を高めるための新しいアプローチを提案する。
224x224サイズの入力画像に対して設定されたベースViT変換器を用いて、バイナリ分類タスクに適合するように出力を変更する。
本手法では,患者のCTスライスをCOVID-19または非COVID-19に分類し,系統的な患者レベルの予測戦略を実装した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In here, we introduce a novel approach to enhance the accuracy and efficiency
of COVID-19 diagnosis using CT images. Leveraging state-of-the-art Transformer
models in computer vision, we employed the base ViT Transformer configured for
224x224-sized input images, modifying the output to suit the binary
classification task. Notably, input images were resized from the standard CT
scan size of 512x512 to match the model's expectations. Our method implements a
systematic patient-level prediction strategy, classifying individual CT slices
as COVID-19 or non-COVID. To determine the overall diagnosis for each patient,
a majority voting approach as well as other thresholding approaches were
employed. This method involves evaluating all CT slices for a given patient and
assigning the patient the diagnosis that relates to the thresholding for the CT
scan. This meticulous patient-level prediction process contributes to the
robustness of our solution as it starts from 2D-slices to 3D-patient level.
Throughout the evaluation process, our approach resulted in 0.7 macro F1 score
on the COV19-CT -DB validation set. To ensure the reliability and effectiveness
of our model, we rigorously validate it on the extensive COV-19 CT dataset,
which is meticulously annotated for the task. This dataset, with its
comprehensive annotations, reinforces the overall robustness of our solution.
- Abstract（参考訳）: 本稿では,ct画像を用いたcovid-19診断の精度と効率を向上させるための新しい手法を提案する。
コンピュータビジョンにおける最先端のトランスフォーマーモデルを利用して、224x224サイズの入力画像に設定されたベースViTトランスフォーマーを用いて、バイナリ分類タスクに適合するように出力を変更した。
特に、入力画像は標準のCTスキャンサイズ512x512から、モデルの期待に合うようにリサイズされた。
本手法では,患者のCTスライスをCOVID-19または非COVID-19に分類する。
各患者の診断全体を決定するために,多数決法と他の閾値付け法が採用された。
本方法は,患者のCTスライスを全て評価し,CTスキャンのしきい値に関連する診断を患者に割り当てることを含む。
この細かな患者レベルの予測プロセスは、2Dスライスから3D患者レベルに至るまでのソリューションの堅牢性に寄与する。
評価過程を通じて,COV19-CT-DB検証セットで0.7マクロF1スコアを得た。
モデルの信頼性と有効性を確保するため,タスクに注意深い注釈付きCOV-19 CTデータセット上で厳密に検証した。
このデータセットは包括的なアノテーションとともに、ソリューション全体の堅牢性を強化します。
関連論文リスト
- COVID-19 Detection Using Slices Processing Techniques and a Modified
Xception Classifier from Computed Tomography Images [0.0]
本稿では,CT画像からCOVID-19を検出する方法を提案する。
モデル誤分類を減らすために、画像処理の2つの重要なステップが採用された。
Xceptionのアーキテクチャと事前訓練された重み付けにより、修正されたモデルはバイナリ分類を達成した。
論文 参考訳（メタデータ） (2023-12-10T19:12:36Z) - 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) - PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for
Cross-Dataset Medical Image Analysis [0.22485007639406518]
新型コロナウイルスの診断はPCR検査で効率的に行えるようになったが、このユースケースは、データの多様性を克服する方法論の必要性を実証するものだ。
本稿では,CTスキャンに最小限の変更を同時に導入しながら,イメージング技術によって引き起こされる差を解消することを目的とした,新しい生成手法を提案する。
論文 参考訳（メタデータ） (2022-08-19T15:49:47Z) - COVID-19 Detection Using Transfer Learning Approach from Computed
Tomography Images [0.0]
我々は最近,CT(CT)画像データベースを用いた移動学習手法を提案する。
具体的には、新型コロナウイルス検出のための改良型Xceptionモデルの有効性について検討する。
その結果、検証サブセット上での精度、精度、リコール、マクロF1スコアにおけるメソッドの優位性を明らかにした。
論文 参考訳（メタデータ） (2022-07-01T08:22:00Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - 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) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳（メタデータ） (2021-10-12T23:25:03Z) - Learning from Pseudo Lesion: A Self-supervised Framework for COVID-19
Diagnosis [22.54540093657541]
コロナウイルス感染症2019(COVID-19)は、2019年12月の報告以来、世界中で急速に拡大している。
近年、ディープラーニングに基づくアプローチは、無数の画像認識タスクにおいて顕著なパフォーマンスを示している。
本報告では, 疑似病変の発生と回復に基づく自己指導型事前訓練法を提案する。
論文 参考訳（メタデータ） (2021-06-23T11:21:30Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - 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) - 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)
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。