論文の概要: Robust Multi-Source Covid-19 Detection in CT Images

• arxiv url: http://arxiv.org/abs/2604.03320v1
• Date: Thu, 02 Apr 2026 00:28:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.507633
• Title: Robust Multi-Source Covid-19 Detection in CT Images
• Title（参考訳）: CT画像におけるロバスト多ソースCovid-19検出
• Authors: Asmita Yuki Pritha, Jason Xu, Daniel Ding, Justin Li, Aryana Hou, Xin Wang, Shu Hu,
• Abstract要約: 胸部CTスキャンからのCOVID-19検出のためのディープラーニングモデルは、トレーニングとテストデータが同じ施設に由来する場合、一般的には良好に機能する。 既存の方法では、各スキャンのデータソースを考慮せずに、唯一のトレーニング目標として、新型コロナウイルスの分類を扱います。 本稿では,新型コロナウイルスの診断と発生源とするデータセンタの両方を予測するために,モデルを訓練するマルチタスク学習手法を提案する。
• 参考スコア（独自算出の注目度）: 7.941453248918507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models for COVID-19 detection from chest CT scans generally perform well when the training and test data originate from the same institution, but they often struggle when scans are drawn from multiple centres with differing scanners, imaging protocols, and patient populations. One key reason is that existing methods treat COVID-19 classification as the sole training objective, without accounting for the data source of each scan. As a result, the learned representations tend to be biased toward centres that contribute more training data. To address this, we propose a multi-task learning approach in which the model is trained to predict both the COVID-19 diagnosis and the originating data centre. The two tasks share an EfficientNet-B7 backbone, which encourages the feature extractor to learn representations that hold across all four participating centres. Since the training data is not evenly distributed across sources, we apply a logit-adjusted cross-entropy loss [1] to the source classification head to prevent underrepresented centres from being overlooked. Our pre-processing follows the SSFL framework with KDS [2], selecting eight representative slices per scan. Our method achieves an F1 score of 0.9098 and an AUC-ROC of 0.9647 on a validation set of 308 scans. The code is publicly available at https://github.com/Purdue-M2/-multisource-covid-ct.
• Abstract（参考訳）: 胸部CTスキャンから新型コロナウイルスを検出するためのディープラーニングモデルは、トレーニングとテストデータが同じ施設から生まれたときによく機能するが、スキャナー、イメージングプロトコル、患者集団が異なる複数のセンターからスキャンが引き出されると、しばしば苦労する。 ひとつの重要な理由は、既存の方法では、各スキャンのデータソースを考慮せずに、唯一のトレーニング目標として、新型コロナウイルスの分類を扱います。 その結果、学習された表現は、より多くのトレーニングデータに貢献する中心に偏りがちである。 そこで本研究では,新型コロナウイルスの診断と発生源とするデータセンタの両方を予測するために,モデルを訓練するマルチタスク学習手法を提案する。 これら2つのタスクは、EfficientNet-B7バックボーンを共有している。 トレーニングデータはソース間で均等に分散されないため、ソース分類ヘッドにロジット調整されたクロスエントロピー損失[1]を適用し、表現不足のセンターの見落としを防止する。 我々の前処理は KDS [2] で SSFL フレームワークに従っており,スキャン毎に 8 個の代表スライスを選択する。 本手法は,308スキャンでF1スコア0.9098,AUC-ROC0.9647を達成する。 コードはhttps://github.com/Purdue-M2/-multisource-covid-ctで公開されている。

関連論文リスト

• A Closer Look at Spatial-Slice Features Learning for COVID-19 Detection [8.215897530386343]
  我々は,CTスキャンに特化して設計されたSpatial-Slice Feature Learning (SSFL++) フレームワークを提案する。 本研究の目的は,全CTスキャンでOODデータをフィルタリングし,70%の冗長性を完全に低減し,解析のための重要な空間スライスを選択することである。 実験では、トレーニングデータの1%しか持たない単純なE2D(EfficientNet-2D)モデルを用いて、我々のモデルの有望な性能を実証した。
  論文  参考訳（メタデータ） (2024-04-02T05:19:27Z)
• Simple 2D Convolutional Neural Network-based Approach for COVID-19 Detection [8.215897530386343]
  本研究では,肺CT画像解析におけるディープラーニング技術の利用について検討した。 我々は,CTスキャンに適した高度な空間スライス特徴学習(SSFL++)フレームワークを提案する。 本研究の目的は,CTスキャン全体のアウト・オブ・ディストリビューション(OOD)データをフィルタリングし,データ冗長性を70%削減して解析に不可欠な空間スライス特徴を選択することである。
  論文  参考訳（メタデータ） (2024-03-17T14:34:51Z)
• Label-efficient multi-organ segmentation with a diffusion model [10.470918676663405]
  我々は,CT多臓器分割のための事前学習拡散モデルから知識伝達を用いたラベル効率の高いフレームワークを提案する。 ファインチューニングでは、線形分類と微調整デコーダという2つの微調整戦略を用いてセグメンテーション性能を向上させる。 マルチオーガナイズのための最先端手法と比較して,本手法はFLARE 2022データセット上での競合性能を実現する。
  論文  参考訳（メタデータ） (2024-02-23T09:25:57Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• 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)
• Jigsaw Clustering for Unsupervised Visual Representation Learning [68.09280490213399]
  本稿では,新しいjigsawクラスタリング・プレテキストタスクを提案する。 本手法は画像内情報と画像間情報の両方を利用する。 トレーニングバッチの半分しか使用されていない場合、コントラスト学習方法にも匹敵します。
  論文  参考訳（メタデータ） (2021-04-01T08:09:26Z)
• 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)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。