Fugu-MT 論文翻訳(概要): Advancing COVID-19 Detection in 3D CT Scans

論文の概要: Advancing COVID-19 Detection in 3D CT Scans

arxiv url: http://arxiv.org/abs/2403.11953v1
Date: Mon, 18 Mar 2024 16:50:13 GMT
ステータス: 処理完了
システム内更新日: 2024-03-20 19:30:44.360706
Title: Advancing COVID-19 Detection in 3D CT Scans
Title（参考訳）: 3次元CT画像におけるCOVID-19検出の進歩
Authors: Qingqiu Li, Runtian Yuan, Junlin Hou, Jilan Xu, Yuejie Zhang, Rui Feng, Hao Chen,
Abstract要約: 我々はResNeSt50を強力な特徴抽出器として使用し、新型コロナウイルス特異的な事前知識を持つ事前訓練した重量で初期化する。本モデルでは,第4回COV19Dコンペティションチャレンジの検証セットにおいて,マクロF1スコア0.94を達成する。
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: To make a more accurate diagnosis of COVID-19, we propose a straightforward yet effective model. Firstly, we analyse the characteristics of 3D CT scans and remove the non-lung parts, facilitating the model to focus on lesion-related areas and reducing computational cost. We use ResNeSt50 as the strong feature extractor, initializing it with pretrained weights which have COVID-19-specific prior knowledge. Our model achieves a Macro F1 Score of 0.94 on the validation set of the 4th COV19D Competition Challenge $\mathrm{I}$, surpassing the baseline by 16%. This indicates its effectiveness in distinguishing between COVID-19 and non-COVID-19 cases, making it a robust method for COVID-19 detection.
Abstract（参考訳）: より正確な新型コロナウイルスの診断を行うために,本研究では,単純で効果的なモデルを提案する。まず,3次元CTスキャンの特徴を分析し,非肺部位を除去し,病変関連領域に焦点をあてることと計算コストの低減を図る。我々はResNeSt50を強力な特徴抽出器として使用し、新型コロナウイルス特異的な事前知識を持つ事前訓練した重量で初期化する。本モデルは,第4回COV19Dコンペティションチャレンジ$\mathrm{I}$の検証セットで0.94のマクロF1スコアを達成し,ベースラインを16%超えた。これは、新型コロナウイルス(COVID-19)と非新型コロナウイルス(COVID-19)を区別する効果を示しており、新型コロナウイルス検出の堅牢な方法となっている。

関連論文リスト

Ensembling and Test Augmentation for Covid-19 Detection and Covid-19 Domain Adaptation from 3D CT-Scans [14.86694804384387]
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。
論文参考訳（メタデータ） (2024-03-17T20:44:38Z)
COVIDx CXR-4: An Expanded Multi-Institutional Open-Source Benchmark Dataset for Chest X-ray Image-Based Computer-Aided COVID-19 Diagnostics [79.90346960083775]
我々は,胸部X線画像を用いたコンピュータ支援型COVID-19診断のための,多施設のオープンソースベンチマークデータセットであるCOVIDx CXR-4を紹介する。 COVIDx CXR-4は、患者の総コホートサイズを2.66倍に増やすことで、前回のCOVIDx CXR-3データセットで大幅に拡大する。患者人口、画像メタデータ、および疾患分布の多様性について広範な分析を行い、潜在的なデータセットバイアスを明らかにする。
論文参考訳（メタデータ） (2023-11-29T14:40:31Z)
Auto-Lesion Segmentation with a Novel Intensity Dark Channel Prior for COVID-19 Detection [0.24578723416255752]
本研究は,他の肺疾患との鑑別を目的としたCTベースの放射線治療フレームワークを開発した。画像は、新型コロナウイルス(COVID-19)、非新型コロナウイルス(non-COVID-19)、または正常の3つのクラスに分類される。最高の性能分類モデルであるResidual Neural Network(Resnet-50)は、平均精度、精度、リコール、F1スコアが98.8%、99%、98%、98%に達した。
論文参考訳（メタデータ） (2023-09-22T06:09:48Z)
Cov3d: Detection of the presence and severity of COVID-19 from CT scans using 3D ResNets [0.0]
Cov3dは、胸部CTスキャンからCOVID19の存在と重症度を検出するための3次元畳み込みニューラルネットワークである。 COVID19の重症度を分類する作業では、マクロf1スコアが0.7552に達する。
論文参考訳（メタデータ） (2022-07-05T05:22:38Z)
A Novel Implementation of Machine Learning for the Efficient, Explainable Diagnosis of COVID-19 from Chest CT [0.0]
本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。提案したモデルは0.927の総合精度と0.958の感度を得た。
論文参考訳（メタデータ） (2022-06-15T18:35:22Z)
COVIDx CXR-3: A Large-Scale, Open-Source Benchmark Dataset of Chest X-ray Images for Computer-Aided COVID-19 Diagnostics [69.55060769611916]
RT-PCR検査の補助的スクリーニング戦略としての胸部X線撮影(CXR)の利用が増加している。 CXRイメージングに基づく新型コロナウイルススクリーニングのための多くの視覚知覚モデルが提案されている。我々は、COVID-19コンピュータビジョン研究を支援するために、CXR画像の大規模なベンチマークデータセットであるCOVIDx CXR-3を紹介する。
論文参考訳（メタデータ） (2022-06-08T04:39:44Z)
Dual-Attention Residual Network for Automatic Diagnosis of COVID-19 [6.941255691176647]
我々は,他の一般的な肺炎患者や正常者から,CT画像を用いてCOVID-19を自動同定する新たな残留ネットワークを提案する。この方法では、他の2つのクラスと94.7%の精度、93.73%の感度、98.28%の特異性、95.26%のF1スコア、および受信機動作特性曲線(AUC)の0.99の領域を区別することができる。
論文参考訳（メタデータ） (2021-05-14T11:59:47Z)
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)
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)
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。