論文の概要: Ensembling and Test Augmentation for Covid-19 Detection and Covid-19 Domain Adaptation from 3D CT-Scans
- arxiv url: http://arxiv.org/abs/2403.11338v1
- Date: Sun, 17 Mar 2024 20:44:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 17:27:03.136686
- Title: Ensembling and Test Augmentation for Covid-19 Detection and Covid-19 Domain Adaptation from 3D CT-Scans
- Title（参考訳）: 3次元CTスキャンによるCovid-19検出とCovid-19ドメイン適応の組み立てとテスト拡張
- Authors: Fares Bougourzi, Feryal Windal Moula, Halim Benhabiles, Fadi Dornaika, Abdelmalik Taleb-Ahmed,
- Abstract要約: 本稿では,第4回COV19Dコンペティションに貢献し,Covid-19 DetectionとCovid-19 Adaptation Challengesに着目した。
アプローチは肺セグメンテーションとCovid-19感染症セグメンテーションを中心にしている。
我々は3つの3D CNNバックボーン、Customized Hybrid-DeCoVNet、事前訓練された3D-Resnet-18および3D-Resnet-50モデルを用いてCovid-19の認識を訓練する。
- 参考スコア（独自算出の注目度）: 14.86694804384387
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Since the emergence of Covid-19 in late 2019, medical image analysis using artificial intelligence (AI) has emerged as a crucial research area, particularly with the utility of CT-scan imaging for disease diagnosis. This paper contributes to the 4th COV19D competition, focusing on Covid-19 Detection and Covid-19 Domain Adaptation Challenges. Our approach centers on lung segmentation and Covid-19 infection segmentation employing the recent CNN-based segmentation architecture PDAtt-Unet, which simultaneously segments lung regions and infections. Departing from traditional methods, we concatenate the input slice (grayscale) with segmented lung and infection, generating three input channels akin to color channels. Additionally, we employ three 3D CNN backbones Customized Hybrid-DeCoVNet, along with pretrained 3D-Resnet-18 and 3D-Resnet-50 models to train Covid-19 recognition for both challenges. Furthermore, we explore ensemble approaches and testing augmentation to enhance performance. Comparison with baseline results underscores the substantial efficiency of our approach, with a significant margin in terms of F1-score (14 %). This study advances the field by presenting a comprehensive methodology for accurate Covid-19 detection and adaptation, leveraging cutting-edge AI techniques in medical image analysis.
- Abstract（参考訳）: 2019年末にCovid-19が出現して以来、人工知能(AI)を用いた医用画像解析が重要な研究領域として登場し、特に疾患診断にCTスキャンが有用である。
本稿では,第4回COV19Dコンペティションに貢献し,Covid-19 DetectionとCovid-19 Domain Adaptation Challengesに着目した。
肺の分画とコビッドウイルス感染分画を中心に,最近のCNNベースの分画アーキテクチャであるPDAtt-Unetを用いて肺の分画と感染の分画を同時に行う。
従来の方法とは別に,入力スライス(グレースケール)を肺分画と感染症に結合し,カラーチャネルに似た3つの入力チャネルを生成する。
さらに、3つの3D CNNバックボーンであるCustomized Hybrid-DeCoVNetと、事前訓練された3D-Resnet-18および3D-Resnet-50モデルを使用して、両方の課題に対してCovid-19認識をトレーニングします。
さらに、性能を高めるためにアンサンブルアプローチやテスト強化についても検討する。
基準値と比較すると,F1スコア(14%)で有意な差がみられた。
本研究では,医療画像解析に最先端のAI技術を活用することで,Covid-19の正確な検出と適応のための包括的方法論を提示することによって,その分野を前進させる。
関連論文リスト
- 2D and 3D CNN-Based Fusion Approach for COVID-19 Severity Prediction
from 3D CT-Scans [17.634096977363907]
この研究は、Covid-19 Severity Predictionの第3回COV19Dコンペティションの一部である。
本稿では,Stem,3D-ResNetの4層,分類ヘッド層,決定層という4つのブロックからなるハイブリッドDeCoVNetアーキテクチャを提案する。
提案手法は,Covid-19重症度予測のための第3回COV19Dコンペティションのバリデーションデータのベースラインアプローチを36%向上させた。
論文 参考訳（メタデータ） (2023-03-15T16:27:49Z) - Res-Dense Net for 3D Covid Chest CT-scan classification [4.587122314291089]
重み付きディープニューラルネットワークを用いて3次元CTスキャン画像からCovid 19を検出する手法を提案する。
この手法は,いくつかの評価指標において競合性能を達成する。
論文 参考訳（メタデータ） (2022-08-09T09:13:00Z) - Ensemble CNN models for Covid-19 Recognition and Severity Perdition From
3D CT-scan [18.231677739397977]
この研究は第2回COV19Dコンペティションの一環で、Covid-19 DetectionとCovid-19 Severity Detection from the CT-Scansという2つの課題が設定されている。
我々はCTスキャンからCovid-19を検出するために,Densenet-161モデルを用いた2次元畳み込みブロックのアンサンブルを提案した。
提案手法は,第2回COV19Dコンペティションのバリデーションデータにおいて,Covid-19検出では11%,Covid-19重症度検出では16%,Covid-19重症度検出では16%,ベースラインアプローチでは2。
論文 参考訳（メタデータ） (2022-06-29T14:20:23Z) - A Generic Deep Learning Based Cough Analysis System from Clinically
Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。
提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。
DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
論文 参考訳（メタデータ） (2021-11-10T19:39:26Z) - 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) - 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) - 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) - 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) - Residual Attention U-Net for Automated Multi-Class Segmentation of
COVID-19 Chest CT Images [46.844349956057776]
新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。
新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。
複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-12T16:24:59Z) - COVID-Net: A Tailored Deep Convolutional Neural Network Design for
Detection of COVID-19 Cases from Chest X-Ray Images [93.0013343535411]
我々は,胸部X線(CXR)画像から新型コロナウイルスの症例を検出するための,深層畳み込みニューラルネットワーク設計であるCOVID-Netを紹介した。
著者たちの知る限りでは、COVID-NetはCXRイメージからCOVID-19を検出するための、最初のオープンソースネットワーク設計の1つである。
また,13,870人の患者を対象に,13,975個のCXR画像からなるオープンアクセスベンチマークデータセットであるCOVIDxも導入した。
論文 参考訳（メタデータ） (2020-03-22T12:26:36Z)
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。