論文の概要: Multi Source COVID-19 Detection via Kernel-Density-based Slice Sampling
- arxiv url: http://arxiv.org/abs/2507.01564v1
- Date: Wed, 02 Jul 2025 10:27:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-03 14:23:00.149358
- Title: Multi Source COVID-19 Detection via Kernel-Density-based Slice Sampling
- Title（参考訳）: カーネル密度に基づくスライスサンプリングによるマルチソースCOVID-19検出
- Authors: Chia-Ming Lee, Bo-Cheng Qiu, Ting-Yao Chen, Ming-Han Sun, Fang-Ying Lin, Jung-Tse Tsai, I-An Tsai, Yu-Fan Lin, Chih-Chung Hsu,
- Abstract要約: 4つの異なる医療センターから胸部CTスキャンを分類するMulti-Source COVID-19 Detection Challengeの解決策を提案する。
我々の前処理パイプラインは肺領域抽出,品質管理,適応スライスサンプリングを組み合わせることで,スキャン毎に8つの代表スライスを選択する。
- 参考スコア（独自算出の注目度）: 5.501560446935927
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present our solution for the Multi-Source COVID-19 Detection Challenge, which classifies chest CT scans from four distinct medical centers. To address multi-source variability, we employ the Spatial-Slice Feature Learning (SSFL) framework with Kernel-Density-based Slice Sampling (KDS). Our preprocessing pipeline combines lung region extraction, quality control, and adaptive slice sampling to select eight representative slices per scan. We compare EfficientNet and Swin Transformer architectures on the validation set. The EfficientNet model achieves an F1-score of 94.68%, compared to the Swin Transformer's 93.34%. The results demonstrate the effectiveness of our KDS-based pipeline on multi-source data and highlight the importance of dataset balance in multi-institutional medical imaging evaluation.
- Abstract（参考訳）: 4つの異なる医療センターから胸部CTスキャンを分類するMulti-Source COVID-19 Detection Challengeの解決策を提案する。
マルチソースの多様性に対処するために,我々は,Kernel-Density-based Slice Smpling (KDS) を用いた空間スライス特徴学習(SSFL)フレームワークを採用している。
我々の前処理パイプラインは肺領域抽出,品質管理,適応スライスサンプリングを組み合わせることで,スキャン毎に8つの代表スライスを選択する。
検証セット上でEfficientNetとSwin Transformerアーキテクチャを比較した。
EfficientNetモデルは、Swin Transformerの93.34%に比べて94.68%のF1スコアを達成した。
その結果,KDSをベースとしたパイプラインがマルチソースデータに与える影響を実証し,マルチ機関医療画像評価におけるデータセットバランスの重要性を強調した。
関連論文リスト
- Vision Transformer-based Model for Severity Quantification of Lung
Pneumonia Using Chest X-ray Images [11.12596879975844]
我々は、新型コロナウイルスや他の肺疾患の重症度を定量化するために、少数のトレーニング可能なパラメータに依存するビジョントランスフォーマーベースのニューラルネットワークモデルを提案する。
本モデルでは,比較的低い計算コストで高一般化性で重大度を定量化する上で,ピーク性能を提供することができる。
論文 参考訳（メタデータ） (2023-03-18T12:38:23Z) - COVIDx CT-3: A Large-scale, Multinational, Open-Source Benchmark Dataset
for Computer-aided COVID-19 Screening from Chest CT Images [82.74877848011798]
胸部CT画像から新型コロナウイルスの症例を検出するための大規模ベンチマークデータセットであるCOVIDx CT-3を紹介する。
COVIDx CT-3には、少なくとも17カ国で6,068人の患者から431,205個のCTスライスが含まれている。
我々は, COVIDx CT-3データセットのデータ多様性と潜在的なバイアスについて検討し, 地理的, 集団的不均衡について検討した。
論文 参考訳（メタデータ） (2022-06-07T06:35:48Z) - 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) - Robust Automated Framework for COVID-19 Disease Identification from a
Multicenter Dataset of Chest CT Scans [27.29759500174996]
提案モデルでは,特定の走査プロトコルを用いて,1つのイメージングセンタのみから取得した比較的小さなデータセットに基づいてトレーニングを行った。
また、列車とテストセット間のデータシフトに対処するため、教師なしアプローチでモデルを更新できることを示した。
実験の結果,提案手法は全テストセットに対して96.15%の精度で良好に動作することがわかった。
論文 参考訳（メタデータ） (2021-09-19T22:32:55Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳（メタデータ） (2021-05-06T10:21:28Z) - 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) - 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) - 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) - An Efficient Mixture of Deep and Machine Learning Models for COVID-19
and Tuberculosis Detection Using X-Ray Images in Resource Limited Settings [2.408714894793063]
最前線の臨床医は、症状のある患者が本当に新型コロナウイルスに感染しているかどうかを迅速に判断する必要がある。
この作業の難しさは、バイオテクノロジーテストにアクセスできない可能性のある低い資源設定で悪化する。
胸部X線画像から深部特徴(DF)を抽出し,その後の機械学習手法を用いて分類する。
論文 参考訳（メタデータ） (2020-07-16T09:49:49Z) - COVIDLite: A depth-wise separable deep neural network with white balance
and CLAHE for detection of COVID-19 [1.1139113832077312]
COVIDLiteは、CLAHE(Contrast Limited Adaptive Histogram Equalization)とDSCNN(Deep-wise Separable Convolutional Neural Network)を組み合わせたホワイトバランスである。
提案したCOVIDLite法は,前処理のないバニラDSCNNと比較して性能が向上した。
提案手法は,2進分類では99.58%,多進分類では96.43%,最先端手法では96.43%であった。
論文 参考訳（メタデータ） (2020-06-19T02:30:34Z) - COVID_MTNet: COVID-19 Detection with Multi-Task Deep Learning Approaches [5.578413517654704]
本稿では,多タスク深層学習(DL)手法を用いて,新型コロナウイルス患者を迅速かつ効率的に識別する方法を提案する。
提案手法について,X線およびCTスキャン画像を用いて検討した。
検出モデルは、X線画像から約84.67%の精度と、CT画像の98.78%の精度を示している。
論文 参考訳（メタデータ） (2020-04-07T23:19:59Z)
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。