論文の概要: Domain Adaptation Using Pseudo Labels for COVID-19 Detection
- arxiv url: http://arxiv.org/abs/2403.11498v1
- Date: Mon, 18 Mar 2024 06:07:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 16:26:41.717266
- Title: Domain Adaptation Using Pseudo Labels for COVID-19 Detection
- Title(参考訳): 擬似ラベルを用いた新型コロナウイルス検出のためのドメイン適応
- Authors: Runtian Yuan, Qingqiu Li, Junlin Hou, Jilan Xu, Yuejie Zhang, Rui Feng, Hao Chen,
- Abstract要約: ドメイン適応のために擬似ラベルを利用する2段階のフレームワークを提案する。
あるドメインからのアノテートデータと別のドメインからの非アノテートデータを利用することで、モデルはデータの不足と可変性の課題を克服する。
COV19-CT-DBデータベースの実験結果は、高い診断精度を達成するためのモデルの可能性を示している。
- 参考スコア(独自算出の注目度): 19.844531606142496
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In response to the need for rapid and accurate COVID-19 diagnosis during the global pandemic, we present a two-stage framework that leverages pseudo labels for domain adaptation to enhance the detection of COVID-19 from CT scans. By utilizing annotated data from one domain and non-annotated data from another, the model overcomes the challenge of data scarcity and variability, common in emergent health crises. The innovative approach of generating pseudo labels enables the model to iteratively refine its learning process, thereby improving its accuracy and adaptability across different hospitals and medical centres. Experimental results on COV19-CT-DB database showcase the model's potential to achieve high diagnostic precision, significantly contributing to efficient patient management and alleviating the strain on healthcare systems. Our method achieves 0.92 Macro F1 Score on the validation set of Covid-19 domain adaptation challenge.
- Abstract(参考訳): 世界的なパンデミックにおいて、迅速かつ正確な新型コロナウイルスの診断の必要性に応えて、ドメイン適応のための擬似ラベルを活用し、CTスキャンからCOVID-19を検出するための2段階のフレームワークを提案する。
あるドメインからのアノテートデータと、別のドメインからの非アノテートデータを利用することで、このモデルは、突発的な健康危機に共通するデータ不足と変動性の課題を克服する。
疑似ラベルを生成する革新的なアプローチにより、モデルは学習プロセスを反復的に洗練し、異なる病院や医療センター間での精度と適応性を向上させることができる。
COV19-CT-DBデータベースの実験結果は、高い診断精度を達成するためのモデルの可能性を示し、効率的な患者管理と医療システムのストレス軽減に大きく貢献する。
提案手法は,Covid-19ドメイン適応問題の検証セット上で0.92マクロF1スコアを達成する。
関連論文リスト
- Sustaining model performance for covid-19 detection from dynamic audio data: Development and evaluation of a comprehensive drift-adaptive framework [0.5679775668038152]
新型コロナウイルスのパンデミックは、多様なデータソースから病気を検出できる堅牢な診断ツールの必要性を強調している。
実世界のデータのダイナミックな性質は、基礎となるデータ分散が変化するにつれて、パフォーマンスが時間の経過とともに低下するモデルドリフトにつながる可能性がある。
本研究の目的は,モデルドリフトをモニタし,適応機構を用いて性能変動を緩和するフレームワークを開発することである。
論文 参考訳(メタデータ) (2024-09-28T10:06:30Z) - Lung Ultrasound Segmentation and Adaptation between COVID-19 and
Community-Acquired Pneumonia [0.17159130619349347]
深層ニューラルネットワークを用いた超音声的B線分割作業に着目する。
我々は、COVID-19とCAP肺超音波データの両方を用いて、ネットワークをトレーニングする。
いずれかのタイプの肺疾患を推測する際には、様々な臨床応用が期待できる。
論文 参考訳(メタデータ) (2021-08-06T14:17:51Z) - Dual-Consistency Semi-Supervised Learning with Uncertainty
Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。
提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文 参考訳(メタデータ) (2021-04-07T16:23:35Z) - Severity Quantification and Lesion Localization of COVID-19 on CXR using
Vision Transformer [25.144248675578286]
世界的な新型コロナウイルス(covid-19)のパンデミックの中で、covid-19の重症度を定量化する自動化フレームワークの構築がますます重要になっている。
重症度と臨床応用可能な新型コロナウイルス関連病変の局在を定量化するための新しい視覚トランスフォーマを提案する。
我々のモデルは、弱い配列に基づくラベルから全確率マップを生成するために、弱教師付きで訓練されている。
論文 参考訳(メタデータ) (2021-03-12T03:17:19Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - End-2-End COVID-19 Detection from Breath & Cough Audio [68.41471917650571]
クラウドソースのオーディオサンプルからエンドツーエンドのディープラーニングを使用してCOVID-19を診断する最初の試みを実証します。
本研究では, 人工深層ニューラルネットワークを用いて, 人工呼吸器から新型コロナを診断する新しいモデル戦略を提案する。
論文 参考訳(メタデータ) (2021-01-07T01:13:00Z) - 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) - 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) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-20T21:47:28Z) - COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。
近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。
本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
論文 参考訳(メタデータ) (2020-04-30T03:13:40Z)
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。