論文の概要: Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT

• arxiv url: http://arxiv.org/abs/2004.01279v7
• Date: Wed, 18 Nov 2020 21:17:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 13:14:17.836709
• Title: Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT
• Title（参考訳）: 胸部CTからのCOVID-19関連CTパターンの自動定量化
• Authors: Shikha Chaganti, Abishek Balachandran, Guillaume Chabin, Stuart Cohen, Thomas Flohr, Bogdan Georgescu, Philippe Grenier, Sasa Grbic, Siqi Liu, Fran\c{c}ois Mellot, Nicolas Murray, Savvas Nicolaou, William Parker, Thomas Re, Pina Sanelli, Alexander W. Sauter, Zhoubing Xu, Youngjin Yoo, Valentin Ziebandt, Dorin Comaniciu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 48.785596536318884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: To present a method that automatically segments and quantifies abnormal CT patterns commonly present in coronavirus disease 2019 (COVID-19), namely ground glass opacities and consolidations. Materials and Methods: In this retrospective study, the proposed method takes as input a non-contrasted chest CT and segments the lesions, lungs, and lobes in three dimensions, based on a dataset of 9749 chest CT volumes. The method outputs two combined measures of the severity of lung and lobe involvement, quantifying both the extent of COVID-19 abnormalities and presence of high opacities, based on deep learning and deep reinforcement learning. The first measure of (PO, PHO) is global, while the second of (LSS, LHOS) is lobewise. Evaluation of the algorithm is reported on CTs of 200 participants (100 COVID-19 confirmed patients and 100 healthy controls) from institutions from Canada, Europe and the United States collected between 2002-Present (April, 2020). Ground truth is established by manual annotations of lesions, lungs, and lobes. Correlation and regression analyses were performed to compare the prediction to the ground truth. Results: Pearson correlation coefficient between method prediction and ground truth for COVID-19 cases was calculated as 0.92 for PO (P < .001), 0.97 for PHO(P < .001), 0.91 for LSS (P < .001), 0.90 for LHOS (P < .001). 98 of 100 healthy controls had a predicted PO of less than 1%, 2 had between 1-2%. Automated processing time to compute the severity scores was 10 seconds per case compared to 30 minutes required for manual annotations. Conclusion: A new method segments regions of CT abnormalities associated with COVID-19 and computes (PO, PHO), as well as (LSS, LHOS) severity scores.
• Abstract（参考訳）: 目的:新型コロナウイルス(COVID-19)に共通する異常なCTパターン、すなわち地面ガラスの不透明度と凝縮を自動的に分離・定量する手法を提案する。 材料, 方法: 本回顧研究では, 9749胸部ctボリュームのデータセットに基づいて, 胸部ctを入力し, 病変, 肺, 葉を3次元に分割した。 この方法は、深層学習と深部強化学習に基づいて、新型コロナウイルスの異常の程度と高い不透明度の有無を定量化し、肺の重症度と葉への関与の2つの組み合わせを出力する。 第1の測度(PO, PHO)はグローバルであり、第2の測度(LSS, LHOS)はローブワイズである。 このアルゴリズムの評価は、2002-Present(2020年4月)に収集されたカナダ、ヨーロッパ、米国からの200人の参加者(100人のCOVID-19患者と100人の健康管理)のCTに報告されている。 基底真理は、病変、肺、葉のマニュアルアノテーションによって確立される。 予測と基底真理を比較するために相関分析と回帰分析を行った。 結果: PHOは0.92(P < .001), PHOは0.97(P < .001), LSSは0.91(P < .001), LHOSは0.90(P < .001)であった。 健常者100名中98名が1%未満であり,2名が1～2%であった。 重症度スコアを計算する自動処理時間は、手動アノテーションに必要な30分に対して、ケースあたり10秒であった。 結論: 新しい方法では, COVID-19に関連するCT異常領域と計算値(PO, PHO), および (LSS, LHOS) 重症度スコアを抽出する。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
  新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。 感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。 本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
  論文  参考訳（メタデータ） (2020-04-15T12:30:40Z)
• Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
  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。
  論文  参考訳（メタデータ） (2020-03-26T15:49:32Z)
• Lung Infection Quantification of COVID-19 in CT Images with Deep Learning [41.35413216175024]
  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
  論文  参考訳（メタデータ） (2020-03-10T11:58:40Z)

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。