論文の概要: Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images

• arxiv url: http://arxiv.org/abs/2003.11988v1
• Date: Thu, 26 Mar 2020 15:49:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 22:08:41.628542
• Title: Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images
• Title（参考訳）: 胸部ct画像の定量的特徴を用いた2019年covid-19の重症度評価
• Authors: Zhenyu Tang, Wei Zhao, Xingzhi Xie, Zheng Zhong, Feng Shi, Jun Liu, Dinggang Shen
• Abstract要約: 本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。 ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。 新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
• 参考スコア（独自算出の注目度）: 54.919022945740515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Chest computed tomography (CT) is recognized as an important tool for COVID-19 severity assessment. As the number of affected patients increase rapidly, manual severity assessment becomes a labor-intensive task, and may lead to delayed treatment. Purpose: Using machine learning method to realize automatic severity assessment (non-severe or severe) of COVID-19 based on chest CT images, and to explore the severity-related features from the resulting assessment model. Materials and Method: Chest CT images of 176 patients (age 45.3$\pm$16.5 years, 96 male and 80 female) with confirmed COVID-19 are used, from which 63 quantitative features, e.g., the infection volume/ratio of the whole lung and the volume of ground-glass opacity (GGO) regions, are calculated. A random forest (RF) model is trained to assess the severity (non-severe or severe) based on quantitative features. Importance of each quantitative feature, which reflects the correlation to the severity of COVID-19, is calculated from the RF model. Results: Using three-fold cross validation, the RF model shows promising results, i.e., 0.933 of true positive rate, 0.745 of true negative rate, 0.875 of accuracy, and 0.91 of area under receiver operating characteristic curve (AUC). The resulting importance of quantitative features shows that the volume and its ratio (with respect to the whole lung volume) of ground glass opacity (GGO) regions are highly related to the severity of COVID-19, and the quantitative features calculated from the right lung are more related to the severity assessment than those of the left lung. Conclusion: The RF based model can achieve automatic severity assessment (non-severe or severe) of COVID-19 infection, and the performance is promising. Several quantitative features, which have the potential to reflect the severity of COVID-19, were revealed.
• Abstract（参考訳）: 背景: 胸部CTは新型コロナウイルス重症度評価の重要なツールとして認識されている。 患者数の増加に伴い、手作業による重症度評価は労働集約的な課題となり、治療の遅れにつながる可能性がある。 目的: 胸部CT画像に基づいて, 自動重症度評価(非重症度又は重症度)を実現するための機械学習手法を用いて, 得られた評価モデルから重症度関連特徴を探索する。 材料・方法:新型コロナウイルスと診断された176例(年齢45.3$\pm$16.5歳、男性96名、女性80名)の胸部CT画像を用いて、肺全体の感染量・比率やグラウンドグラス不透明(GGO)領域の量など63の定量的特徴を算出する。 ランダムフォレスト(rf)モデルは、量的特徴に基づいて重症度(非持続性または重篤性)を評価するように訓練される。 rfモデルから,covid-19の重症度との関連性を反映した定量的特徴量の重要性を算出した。 結果: rfモデルは3倍のクロス検証を用いて, 真正率0.933, 真負率 0.745, 精度0.875, 受信特性曲線 (auc) 下の面積 0.91 という有望な結果を示す。 その結果, 定量的特徴量の重要性は, グラウンドグラス不透明度 (ggo) 領域の体積とその比がcovid-19の重症度と高い相関を示し, 右肺から算出した定量的特徴量と左肺の重症度評価との関係が示唆された。 結語:RFベースのモデルは、新型コロナウイルス感染症の自動重症度評価(非重症または重症)を達成でき、その性能は有望である。 新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。

関連論文リスト

• 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)
• Automated assessment of disease severity of COVID-19 using artificial intelligence with synthetic chest CT [13.44182694693376]
  公開データセットを用いた胸部CT画像の合成にデータ拡張を取り入れた。 合成画像とマスクは、2D U-netニューラルネットワークのトレーニングに使われ、203のCOVID-19データセットでテストされた。
  論文  参考訳（メタデータ） (2021-12-11T02:03:30Z)
• COVID-Rate: An Automated Framework for Segmentation of COVID-19 Lesions from Chest CT Scans [29.266579630983358]
  パンデミック時代には、専門家の放射線学者による新型コロナウイルスの肺病変の視覚的評価と定量化が高価になり、エラーが生じる傾向にある。 専門医に注釈を付された82例のCT画像433点を含むオープンアクセス型COVID-19 CTセグメンテーションデータセットについて紹介する。 Deep Neural Network(DNN)ベースのフレームワークであるCOVID-Rateは、胸部CTスキャンからCOVID-19に関連する肺の異常を自律的に分離する。
  論文  参考訳（メタデータ） (2021-07-04T03:19:43Z)
• Automated lung segmentation from CT images of normal and COVID-19 pneumonia patients [0.0]
  本研究は, 正常およびCOVID-19患者のCT画像から肺分画の深層学習モデルの性能について検討した。 残存ニューラルネットワークの訓練には、胸部CT画像と対応する肺マスク1200例が使用された。
  論文  参考訳（メタデータ） (2021-04-05T17:46:12Z)
• A novel multiple instance learning framework for COVID-19 severity assessment via data augmentation and self-supervised learning [64.90342559393275]
  新型コロナウイルスの重症度を迅速かつ正確に評価する方法は、世界中の何百万人もの人々がパンデミックに苦しんでいる場合に必要不可欠な問題だ。 CT画像による新型コロナウイルスの重症度自動評価を妨害する可能性のある、弱いアノテーションと不十分なデータという2つの問題があることを観察する。 平均精度は95.8%で、感度は93.6%、特異性は96.4%で、前作より優れていた。
  論文  参考訳（メタデータ） (2021-02-07T16:30:18Z)
• 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)
• Machine Learning Automatically Detects COVID-19 using Chest CTs in a Large Multicenter Cohort [43.99203831722203]
  16施設2096例の胸部CT検査を行った。 新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。 深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
  論文  参考訳（メタデータ） (2020-06-09T00:40:35Z)
• 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)
• 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。