論文の概要: CT-xCOV: a CT-scan based Explainable Framework for COVid-19 diagnosis
- arxiv url: http://arxiv.org/abs/2311.14462v1
- Date: Fri, 24 Nov 2023 13:14:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-27 15:13:48.357306
- Title: CT-xCOV: a CT-scan based Explainable Framework for COVid-19 diagnosis
- Title（参考訳）: COVid-19診断のためのCT-xCOV
- Authors: Ismail Elbouknify, Afaf Bouhoute, Khalid Fardousse, Ismail Berrada,
Abdelmajid Badri
- Abstract要約: CT-xCOVは、Deep Learning(DL)をCTスキャンに用いた新型コロナウイルス診断のための説明可能なフレームワークである。
肺のセグメンテーションでは、よく知られたU-Netモデルを使用し、COVID-19検出では、3つの異なるCNNアーキテクチャを比較した。
視覚的説明のために、我々は3つの異なるXAI技術、すなわちGrad-Cam、Integrated Gradient (IG)、LIMEを適用した。
- 参考スコア（独自算出の注目度）: 6.2997667081978825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, CT-xCOV, an explainable framework for COVID-19 diagnosis using
Deep Learning (DL) on CT-scans is developed. CT-xCOV adopts an end-to-end
approach from lung segmentation to COVID-19 detection and explanations of the
detection model's prediction. For lung segmentation, we used the well-known
U-Net model. For COVID-19 detection, we compared three different CNN
architectures: a standard CNN, ResNet50, and DenseNet121. After the detection,
visual and textual explanations are provided. For visual explanations, we
applied three different XAI techniques, namely, Grad-Cam, Integrated Gradient
(IG), and LIME. Textual explanations are added by computing the percentage of
infection by lungs. To assess the performance of the used XAI techniques, we
propose a ground-truth-based evaluation method, measuring the similarity
between the visualization outputs and the ground-truth infections. The
performed experiments show that the applied DL models achieved good results.
The U-Net segmentation model achieved a high Dice coefficient (98%). The
performance of our proposed classification model (standard CNN) was validated
using 5-fold cross-validation (acc of 98.40% and f1-score 98.23%). Lastly, the
results of the comparison of XAI techniques show that Grad-Cam gives the best
explanations compared to LIME and IG, by achieving a Dice coefficient of 55%,
on COVID-19 positive scans, compared to 29% and 24% obtained by IG and LIME
respectively. The code and the dataset used in this paper are available in the
GitHub repository [1].
- Abstract（参考訳）: 本研究では,CTスキャン上での深層学習(DL)を用いた新型コロナウイルス診断のための説明可能なフレームワークであるCT-xCOVを開発した。
CT-xCOVは、肺セグメンテーションからCOVID-19検出へのエンドツーエンドアプローチを採用し、検出モデルの予測を説明する。
肺分画には有名なu-netモデルを用いた。
COVID-19検出では、標準的なCNN、ResNet50、DenseNet121の3つのCNNアーキテクチャを比較しました。
検出後、視覚的およびテキスト的説明が提供される。
視覚的説明のために3つの異なるXAI技術、すなわちGrad-Cam、Integrated Gradient (IG)、LIMEを適用した。
テキストの説明は肺による感染の割合を計算することによって追加される。
得られたXAI技術の性能を評価するため, 可視化出力と接地トラス感染の類似度を計測し, 地中トラスによる評価手法を提案する。
実験の結果, 適用したDLモデルは良好な結果を得た。
U-Netセグメンテーションモデルは高Dice係数(98%)を達成した。
5倍のクロスバリデーション(98.40%,f1スコア98.23%)を用いた分類モデル(標準CNN)の性能評価を行った。
最後に,XAI法との比較結果から,LIME法とIG法を比較検討した結果,IG法とLIME法で得られた29%,LIME法で得られた24%に対して55%のDice係数を達成し,LIME法とIG法とを比較検討した。
本論文で使用するコードとデータセットは、githubリポジトリ[1]で利用可能である。
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) - COVID-19 Detection on Chest X-Ray Images: A comparison of CNN
architectures and ensembles [0.0]
畳み込みニューラルネットワーク(CNN)は、しばしば自動画像分類に使われ、CXR診断に非常に有用である。
本稿では、CXR画像中のCOVID-19を識別するタスクにおいて、21の異なるCNNアーキテクチャをテスト、比較する。
最も優れたCNNのインスタンス結果はDenseNet169で達成され、精度は98.15%、F1スコアは98.12%だった。
論文 参考訳（メタデータ） (2021-11-18T23:28:21Z) - 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) - 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 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) - Explainable COVID-19 Detection Using Chest CT Scans and Deep Learning [0.07994291858620557]
本稿では,各深層建築に適したカスタムサイズ入力を用いた伝達学習戦略を提案する。
我々は2つのCT画像データセット、SARS-CoV-2 CTスキャンとCOVID19-CTで広範囲に実験を行った。
その結果,従来の研究と比較すると,モデルの性能は優れていた。
論文 参考訳（メタデータ） (2020-11-09T17:37:31Z) - 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) - Comprehensive Comparison of Deep Learning Models for Lung and COVID-19
Lesion Segmentation in CT scans [11.024688703207627]
本稿では,CT(Computerized Tomography)スキャンにおいて,肺の深層学習モデルとCOVID-19病変のセグメンテーションを比較した。
4つのDLアーキテクチャ(Unet, Linknet, FPN, PSPNet)と25のランダムおよび事前訓練エンコーダを組み合わせて200の試験モデルを構築する。
肺の分節, 病変の分節, 病変の分節の3つの実験を, オリジナルの肺マスクを用いて行った。
論文 参考訳（メタデータ） (2020-09-10T08:05:06Z) - 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) - 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) - 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)
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。