Fugu-MT 論文翻訳(概要): Cross-dataset domain adaptation for the classification COVID-19 using chest computed tomography images

論文の概要: Cross-dataset domain adaptation for the classification COVID-19 using chest computed tomography images

arxiv url: http://arxiv.org/abs/2311.08524v1
Date: Tue, 14 Nov 2023 20:36:34 GMT
ステータス: 処理完了
システム内更新日: 2023-11-16 18:15:26.282798
Title: Cross-dataset domain adaptation for the classification COVID-19 using chest computed tomography images
Title（参考訳）: 胸部CT画像を用いたCOVID-19分類のためのクロスデータセットドメイン適応
Authors: Ridha Ouni and Haikel Alhichri
Abstract要約: COVID19-DANetは、機能抽出のためにトレーニング済みのCNNバックボーンに基づいている。 SARS-CoV-2-CTとCOVID19-CTデータセットを使用して、4つのクロスデータセットシナリオでテストされる。
参考スコア（独自算出の注目度）: 0.6798775532273751
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Detecting COVID-19 patients using Computed Tomography (CT) images of the lungs is an active area of research. Datasets of CT images from COVID-19 patients are becoming available. Deep learning (DL) solutions and in particular Convolutional Neural Networks (CNN) have achieved impressive results for the classification of COVID-19 CT images, but only when the training and testing take place within the same dataset. Work on the cross-dataset problem is still limited and the achieved results are low. Our work tackles the cross-dataset problem through a Domain Adaptation (DA) technique with deep learning. Our proposed solution, COVID19-DANet, is based on pre-trained CNN backbone for feature extraction. For this task, we select the pre-trained Efficientnet-B3 CNN because it has achieved impressive classification accuracy in previous work. The backbone CNN is followed by a prototypical layer which is a concept borrowed from prototypical networks in few-shot learning (FSL). It computes a cosine distance between given samples and the class prototypes and then converts them to class probabilities using the Softmax function. To train the COVID19-DANet model, we propose a combined loss function that is composed of the standard cross-entropy loss for class discrimination and another entropy loss computed over the unlabelled target set only. This so-called unlabelled target entropy loss is minimized and maximized in an alternative fashion, to reach the two objectives of class discrimination and domain invariance. COVID19-DANet is tested under four cross-dataset scenarios using the SARS-CoV-2-CT and COVID19-CT datasets and has achieved encouraging results compared to recent work in the literature.
Abstract（参考訳）: 肺のCT画像を用いたCOVID-19患者の検出は研究の活発な領域である。新型コロナウイルス患者のCT画像のデータセットが利用可能になっている。ディープラーニング(DL)ソリューション、特に畳み込みニューラルネットワーク(CNN)は、COVID-19 CT画像の分類において印象的な結果を得たが、トレーニングとテストが同じデータセット内で行われる場合に限られる。クロスデータセット問題への取り組みはまだ限られており、成果は低い。我々の研究は、ディープラーニングを用いたドメイン適応(da)技術を通じて、データセット横断問題に取り組む。提案するソリューションであるCOVID19-DANetは,機能抽出のためのトレーニング済みCNNバックボーンに基づいている。そこで本研究では,事前学習した efficientnet-b3 cnn を選択した。バックボーンCNNは、プロトタイプラーニング(FSL)において、プロトタイプネットワークから借用された概念である。与えられたサンプルとクラスプロトタイプの間のコサイン距離を計算し、softmax関数を使ってそれらをクラス確率に変換する。 COVID19-DANetモデルを訓練するために,クラス識別のための標準的なクロスエントロピー損失と,非競合対象集合上でのみ計算される別のエントロピー損失からなる複合損失関数を提案する。このいわゆる非ラベル対象エントロピー損失は、クラス差別とドメイン不変性という2つの目的を達成するために、別の方法で最小化・最大化される。 covid19-danetは、sars-cov-2-ctとcovid-19-ctデータセットを使用して、4つのクロスデータセットシナリオでテストされている。

関連論文リスト

An Ensemble Deep Learning Approach for COVID-19 Severity Prediction Using Chest CT Scans [8.512389316218943]
胸部CTによる重症度予測について検討した。我々は複数のニューラルネットワークを組み込んで予測を改善するアンサンブル深層学習モデルを開発した。
論文参考訳（メタデータ） (2023-05-17T10:43:15Z)
Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文参考訳（メタデータ） (2022-11-16T21:55:05Z)
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)
An Efficient End-to-End Deep Neural Network for Interstitial Lung Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。 128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文参考訳（メタデータ） (2022-04-21T06:36:10Z)
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)
Data Augmentation and CNN Classification For Automatic COVID-19 Diagnosis From CT-Scan Images On Small Dataset [0.0]
肺CT画像からのCOVID1-19自動診断フレームワークを提案する。本論文では,複数のHounsfield Unit(HU)正規化ウィンドウを用いた一意かつ効果的なデータ拡張手法を提案する。トレーニング・検証データセットでは,患者の分類精度は93.39%である。
論文参考訳（メタデータ） (2021-08-16T15:23:00Z)
Evolving Deep Convolutional Neural Network by Hybrid Sine-Cosine and Extreme Learning Machine for Real-time COVID19 Diagnosis from X-Ray Images [0.5249805590164902]
ディープ・コンボリューショナル・ネットワーク(CNN)は、COVID-19陽性症例の診断に応用できるツールとみなすことができる。本稿では,最後の完全接続層ではなく,ELM(Extreme Learning Machine)を用いることを提案する。提案手法は、COVID-Xray-5kデータセットで98.83%の最終的な精度で比較ベンチマークを上回っている。
論文参考訳（メタデータ） (2021-05-14T19:40:16Z)
Learning Invariant Representations across Domains and Tasks [81.30046935430791]
本稿では,この教師なしタスク転送問題を解決するための新しいタスク適応ネットワーク(tan)を提案する。ドメイン・アドバーサル・トレーニングによる伝達可能な機能を学習することに加えて、学習から学習への戦略を用いてタスクの意味を適応させる新しいタスク・セマンティクス・アダプタを提案する。 TANは最近の強いベースラインに比べてリコールとF1スコアを5.0%と7.8%大きく向上させた。
論文参考訳（メタデータ） (2021-03-03T11:18:43Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
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)
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。