Fugu-MT 論文翻訳(概要): COVID-19 detection from pulmonary CT scans using a novel EfficientNet with attention mechanism

論文の概要: COVID-19 detection from pulmonary CT scans using a novel EfficientNet with attention mechanism

arxiv url: http://arxiv.org/abs/2403.11505v2
Date: Wed, 27 Mar 2024 20:10:05 GMT
ステータス: 処理完了
システム内更新日: 2024-03-29 20:33:12.788546
Title: COVID-19 detection from pulmonary CT scans using a novel EfficientNet with attention mechanism
Title（参考訳）: 注意機構を有する新規高効率ネットを用いた肺CT画像からのCOVID-19検出
Authors: Ramy Farag, Parth Upadhyay, Yixiang Gao, Jacket Demby, Katherin Garces Montoya, Seyed Mohamad Ali Tousi, Gbenga Omotara, Guilherme DeSouza,
Abstract要約: この課題は、CTスキャン画像からのCOVID-19検出のために提案したパイプラインを評価する機会を提供する。従来の/パストパイプラインとは違い、パイプラインは前処理ステップに依存しています。私たちのパイプラインは、例えば肺を分節するデコーダを組み込まないように、計算的に効率的です。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Manual analysis and diagnosis of COVID-19 through the examination of Computed Tomography (CT) images of the lungs can be time-consuming and result in errors, especially given high volume of patients and numerous images per patient. So, we address the need for automation of this task by developing a new deep learning model-based pipeline. Our motivation was sparked by the CVPR Workshop on "Domain Adaptation, Explainability and Fairness in AI for Medical Image Analysis", more specifically, the "COVID-19 Diagnosis Competition (DEF-AI-MIA COV19D)" under the same Workshop. This challenge provides an opportunity to assess our proposed pipeline for COVID-19 detection from CT scan images. The same pipeline incorporates the original EfficientNet, but with an added Attention Mechanism: EfficientNet-AM. Also, unlike the traditional/past pipelines, which relied on a pre-processing step, our pipeline takes the raw selected input images without any such step, except for an image-selection step to simply reduce the number of CT images required for training and/or testing. Moreover, our pipeline is computationally efficient, as, for example, it does not incorporate a decoder for segmenting the lungs. It also does not combine different backbones nor combine RNN with a backbone, as other pipelines in the past did. Nevertheless, our pipeline still outperforms all approaches presented by other teams in last year's instance of the same challenge, at least based on the validation subset of the competition dataset.
Abstract（参考訳）: 肺CT(Computed Tomography)画像検査による手動による新型コロナウイルスの診断は、特に多量の患者と患者1人当たりの多数の画像が与えられた場合、時間を要する可能性がある。そこで我々は、新しいディープラーニングモデルベースのパイプラインを開発することによって、このタスクの自動化の必要性に対処する。 CVPR Workshop on "Domain Adaptation, Explainability and Fairness in AI for Medical Image Analysis", 具体的には,同じワークショップの下での“DEF-AI-MIA COV19D”によって,私たちのモチベーションが引き起こされた。この課題は、CTスキャン画像からのCOVID-19検出のために提案したパイプラインを評価する機会を提供する。同じパイプラインには、オリジナルのEfficientNetが組み込まれているが、Attention Mechanism: EfficientNet-AMが追加されている。また,前処理ステップに依存した従来型/過去型パイプラインとは異なり,本パイプラインでは,画像選択ステップを除いて,生の入力画像を取り込んで,トレーニングやテストに要するCT画像の数を簡易に削減する。さらに,このパイプラインは,例えば肺を分節するデコーダを組み込まないように,計算効率がよい。また、以前の他のパイプラインのように、異なるバックボーンやRNNとバックボーンを組み合わせることもない。それにもかかわらず、当社のパイプラインは、少なくとも競合データセットの検証サブセットに基づいて、昨年の同じ課題のインスタンスにおいて、他のチームが提示したすべてのアプローチを上回っています。

関連論文リスト

CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文参考訳（メタデータ） (2024-03-21T15:13:36Z)
Two-stage Contextual Transformer-based Convolutional Neural Network for Airway Extraction from CT Images [17.45239343953272]
CT画像を用いた気道セグメンテーションのための新しい2段階3次元コンテクスト変換器U-Netを提案する。この方法は2つの段階から構成され、初期および改良された気道セグメンテーションを実行する。第1段階では、サブネットに全気道マスクとCT画像が設けられ、サブネットに肺内マスクと対応するCTスキャンが提供される。
論文参考訳（メタデータ） (2022-12-15T08:18:37Z)
UNet Based Pipeline for Lung Segmentation from Chest X-Ray Images [1.5573807415011238]
胸部X線像から肺を分画するエンド・ツー・エンドパイプラインを提案する。 UNetを用いて、様々な肺疾患に対する初期検診の高速な処理を可能にする。
論文参考訳（メタデータ） (2022-12-09T01:00:10Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
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)
An Approach Towards Physics Informed Lung Ultrasound Image Scoring Neural Network for Diagnostic Assistance in COVID-19 [0.0]
肺超音波(LUS)における胸膜下領域の音響伝搬に基づく特徴抽出のための新しいアプローチが提示された。 LUSNetと呼ばれるニューラルネットワークは、LUSイメージを、新型コロナウイルスの進行を追跡するために、肺感染症の重症度の異なる5つのクラスに分類するように訓練されている。新型コロナウイルスの患者10名に対する全回復期間に対するLUS画像のアプローチに関する詳細な分析では、平均5倍のクロスバリデーション精度、感度、特異性はそれぞれ5000コマで97%、93%、98%となっている。
論文参考訳（メタデータ） (2021-06-13T13:01:53Z)
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)
Label-Free Segmentation of COVID-19 Lesions in Lung CT [17.639558085838583]
ピクセルレベルの異常モデルを用いて,CTで新型コロナウイルスの病変を分類するためのラベルフリーアプローチを提案する。我々のモデリングは、気管と血管の一部が、病変が属する高強度範囲にあり、強いパターンを示すという観察に着想を得たものである。実験では,NormNetの有効性を3つの異なるデータセットで検証した。
論文参考訳（メタデータ） (2020-09-08T12:38:34Z)
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)
A DICOM Framework for Machine Learning Pipelines against Real-Time Radiology Images [50.222197963803644]
Nifflerは、研究クラスタでの機械学習パイプラインの実行を可能にする統合フレームワークである。ニフラーはDigital Imaging and Communications in Medicine (DICOM)プロトコルを使用して画像データの取得と保存を行っている。我々は,そのアーキテクチャと3つのユースケースを提示する: リアルタイムに画像から下大静脈フィルターを検出すること,スキャナ利用の同定,およびスキャナクロックの校正。
論文参考訳（メタデータ） (2020-04-16T21:06:49Z)
Attention U-Net Based Adversarial Architectures for Chest X-ray Lung Segmentation [0.0]
本稿では,診断パイプラインにおける基礎的,しかし困難な課題である肺分節に対する新しい深層学習手法を提案する。本手法では, 逆批判モデルとともに, 最先端の完全畳み込みニューラルネットワークを用いる。これは、患者プロファイルの異なる未確認データセットのCXRイメージによく当てはまり、JSRTデータセットの最終的なDSCRは97.5%に達した。
論文参考訳（メタデータ） (2020-03-23T14:45:48Z)

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。