Fugu-MT 論文翻訳(概要): Lung Infection Quantification of COVID-19 in CT Images with Deep Learning

論文の概要: Lung Infection Quantification of COVID-19 in CT Images with Deep Learning

arxiv url: http://arxiv.org/abs/2003.04655v3
Date: Mon, 30 Mar 2020 08:30:39 GMT
ステータス: 処理完了
システム内更新日: 2022-12-24 21:58:40.546407
Title: Lung Infection Quantification of COVID-19 in CT Images with Deep Learning
Title（参考訳）: 深層学習を用いたCT画像における肺感染症の定量化
Authors: Fei Shan, Yaozong Gao, Jun Wang, Weiya Shi, Nannan Shi, Miaofei Han, Zhong Xue, Dinggang Shen, Yuxin Shi
Abstract要約: 深層学習システムは、関心のある感染症領域を自動的に定量化するために開発された。感染領域分割のための放射線科医を支援するためのループ内ヒト戦略
参考スコア（独自算出の注目度）: 41.35413216175024
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: CT imaging is crucial for diagnosis, assessment and staging COVID-19 infection. Follow-up scans every 3-5 days are often recommended for disease progression. It has been reported that bilateral and peripheral ground glass opacification (GGO) with or without consolidation are predominant CT findings in COVID-19 patients. However, due to lack of computerized quantification tools, only qualitative impression and rough description of infected areas are currently used in radiological reports. In this paper, a deep learning (DL)-based segmentation system is developed to automatically quantify infection regions of interest (ROIs) and their volumetric ratios w.r.t. the lung. The performance of the system was evaluated by comparing the automatically segmented infection regions with the manually-delineated ones on 300 chest CT scans of 300 COVID-19 patients. For fast manual delineation of training samples and possible manual intervention of automatic results, a human-in-the-loop (HITL) strategy has been adopted to assist radiologists for infection region segmentation, which dramatically reduced the total segmentation time to 4 minutes after 3 iterations of model updating. The average Dice simiarility coefficient showed 91.6% agreement between automatic and manual infaction segmentations, and the mean estimation error of percentage of infection (POI) was 0.3% for the whole lung. Finally, possible applications, including but not limited to analysis of follow-up CT scans and infection distributions in the lobes and segments correlated with clinical findings, were discussed.
Abstract（参考訳）: CT画像は、新型コロナウイルス感染症の診断、評価、ステージングに不可欠である。 3～5日毎のフォローアップスキャンは、しばしば疾患の進行に推奨される。 COVID-19患者では, 両眼および末梢性ガラス硬化症 (GGO) の合併の有無が主なCT所見である。しかし, コンピュータによる定量化ツールの欠如により, 放射線学的報告では, 定性的な印象と感染部位の粗い説明のみが用いられている。本稿では,関心領域(ROI)と肺の体積比を自動的に定量化するために,深層学習(DL)に基づくセグメンテーションシステムを開発した。システムの性能は,300例の胸部ctスキャン300例において,自動的に区分された感染領域と手作業で区切られた感染領域を比較して評価した。トレーニングサンプルの迅速な手作業による記述と自動結果への手作業による介入のために,放射線科医の感染領域分割を支援するhitl(human-in-the-loop)戦略が採用されており,モデル更新の3回のイテレーション後,全体のセグメント化時間を劇的に4分に短縮している。平均Dice simiarility係数は, 自動発火セグメンテーションと手動発火セグメンテーションの91.6%で一致し, 感染率(POI)の平均推定誤差は全肺で0.3%であった。最後に, 臨床所見と相関したct検査, 葉およびセグメントの感染分布の分析に限らず, 応用の可能性について検討した。

関連論文リスト

CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文参考訳（メタデータ） (2021-05-25T12:06:55Z)
Rapid quantification of COVID-19 pneumonia burden from computed tomography with convolutional LSTM networks [1.0072268949897432]
新型肺炎における肺病変の迅速定量と分化のための新しい完全自動化ディープラーニングフレームワークを提案する。 SARS-CoV-2の陽性逆転写ポリメラーゼ連鎖反応試験結果を有する197例のCTデータセット上で,この方法の性能を評価した。
論文参考訳（メタデータ） (2021-03-31T22:09:14Z)
An Explainable AI System for Automated COVID-19 Assessment and Lesion Categorization from CT-scans [8.694504007704994]
SARS-CoV-2病原体による新型コロナウイルス感染症は、世界中で壊滅的なパンデミックである。深層学習パラダイムに基づくAIを用いたパイプラインを提案し,CTスキャンによるCOVID-19検出と病変分類を自動化した。
論文参考訳（メタデータ） (2021-01-28T11:47:35Z)
CT Image Segmentation for Inflamed and Fibrotic Lungs Using a Multi-Resolution Convolutional Neural Network [6.177921466996229]
本研究の目的は, 各種密度増強肺異常に対して頑健な完全自動セグメンテーションアルゴリズムを開発することである。急性肺障害を患うヒトの左肺と右肺に特異的にラベル付けされた肺と非特異的にラベル付けされた肺の両方を1つのニューラルネットワークのトレーニングに組み込んだ多形性訓練手法が提案されている。結果として生じるネットワークは、ヒトの左右の肺領域を、びまん性オパーシフィケーションと凝縮を伴わずに予測することを目的としている。
論文参考訳（メタデータ） (2020-10-16T18:25:59Z)
M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文参考訳（メタデータ） (2020-10-07T06:22:24Z)
Automatic Deep Learning System for COVID-19 Infection Quantification in chest CT [0.0]
本稿では、新型コロナウイルス感染症領域のセグメンテーションのための自動深層学習システムを提案する。提案するFCNは,連結スキップ接続を有する残差ブロックを改良したU-netアーキテクチャを用いて実装されている。提案手法の一般化と有効性を示すため,多種多様なデータセットから抽出した多数の2次元CTスライスを用いて訓練・試験を行った。
論文参考訳（メタデータ） (2020-10-01T21:05:59Z)
Comparative study of deep learning methods for the automatic segmentation of lung, lesion and lesion type in CT scans of COVID-19 patients [6.890747388531539]
新型コロナウイルスの迅速かつ正確な定量化にディープラーニングを使うことを提案する研究が増えている。主な課題は、新型コロナウイルス(COVID-19)感染者の胸部CT検査における肺と肺の病変の自動分離である。オープンソースと社内開発の両方のアルゴリズムを含む,マルチセンタデータセットを用いた12のディープラーニングアルゴリズムを比較した。
論文参考訳（メタデータ） (2020-07-29T10:40:39Z)
Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文参考訳（メタデータ） (2020-07-20T19:08:50Z)
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)
Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。