論文の概要: An automatic COVID-19 CT segmentation network using spatial and channel attention mechanism

• arxiv url: http://arxiv.org/abs/2004.06673v4
• Date: Mon, 8 Feb 2021 13:16:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 09:32:59.079108
• Title: An automatic COVID-19 CT segmentation network using spatial and channel attention mechanism
• Title（参考訳）: 空間的およびチャネル的注意機構を用いた自動COVID-19CTセグメンテーションネットワーク
• Authors: Tongxue Zhou, St\'ephane Canu, Su Ruan
• Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックが世界の公衆衛生に打撃を与えている。 診断と患者のモニタリングを支援するために、迅速かつ正確にCTからCOVID-19を分離することが非常に重要である。 注意機構を用いたU-Netに基づくセグメンテーションネットワークを提案する。
• 参考スコア（独自算出の注目度）: 4.4259821861544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The coronavirus disease (COVID-19) pandemic has led to a devastating effect on the global public health. Computed Tomography (CT) is an effective tool in the screening of COVID-19. It is of great importance to rapidly and accurately segment COVID-19 from CT to help diagnostic and patient monitoring. In this paper, we propose a U-Net based segmentation network using attention mechanism. As not all the features extracted from the encoders are useful for segmentation, we propose to incorporate an attention mechanism including a spatial and a channel attention, to a U-Net architecture to re-weight the feature representation spatially and channel-wise to capture rich contextual relationships for better feature representation. In addition, the focal tversky loss is introduced to deal with small lesion segmentation. The experiment results, evaluated on a COVID-19 CT segmentation dataset where 473 CT slices are available, demonstrate the proposed method can achieve an accurate and rapid segmentation on COVID-19 segmentation. The method takes only 0.29 second to segment a single CT slice. The obtained Dice Score, Sensitivity and Specificity are 83.1%, 86.7% and 99.3%, respectively.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)の感染拡大が世界の公衆衛生に打撃を与えている。 CT(Computed Tomography)は、新型コロナウイルスのスクリーニングに有効なツールである。 診断と患者のモニタリングを支援するために、迅速かつ正確にCTからCOVID-19を分離することが非常に重要である。 本稿では,注意機構を用いたu-netセグメンテーションネットワークを提案する。 エンコーダから抽出された全ての特徴がセグメンテーションに有用ではないため、u-netアーキテクチャに空間的およびチャネル的注意を含む注意機構を取り入れ、特徴表現を空間的およびチャネル的に再強調し、より優れた特徴表現のために豊かな文脈的関係を捉えることを提案する。 さらに,小病変の分節に対処するために焦点トベルスキー損失が導入された。 実験結果は,473個のctスライスが利用可能なcovid-19 ctセグメンテーションデータセット上で評価され,提案手法がcovid-19セグメンテーションの正確かつ迅速なセグメンテーションを実現することを実証した。 この方法は1つのCTスライスを分割するのにわずか0.29秒しかかからない。 得られたDice Score, Sensitivity, Specificityはそれぞれ83.1%, 86.7%, 99.3%である。

関連論文リスト

• Automated COVID-19 CT Image Classification using Multi-head Channel Attention in Deep CNN [0.0]
  新型コロナウイルスのCTスキャン自動分類のための新しい深層学習手法を提案する。 新しく設計されたチャネルアテンション機構と重み付きグローバル平均プールを組み込んだ改良型Xceptionモデルを提案する。 広く使われている新型コロナウイルスのCTスキャンデータセットの実験は96.99%の精度を示し、他の最先端技術よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-07-31T16:44:06Z)
• 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)
• Quadruple Augmented Pyramid Network for Multi-class COVID-19 Segmentation via CT [1.6815638149823744]
  新型コロナウイルス(COVID-19)は、世界で最も深刻な感染症の1つとなっています。 本稿では,放射線科医が肺の容積を推定するためのマルチクラスctセグメンテーションを提案する。
  論文  参考訳（メタデータ） (2021-03-09T16:48:15Z)
• COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
  我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。 また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
  論文  参考訳（メタデータ） (2020-09-08T15:49:55Z)
• COVID TV-UNet: Segmenting COVID-19 Chest CT Images Using Connectivity Imposed U-Net [5.174558376705871]
  コロナウイルス(COVID-19)は世界中で200カ国以上で大流行している。 CT画像はRT-PCR検査の代替として使用できる。 新型コロナウイルスに感染したCT画像の胸部領域を検出するためのセグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-24T00:19:21Z)
• 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)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)
• Radiologist-Level COVID-19 Detection Using CT Scans with Detail-Oriented Capsule Networks [6.435530400792993]
  我々はDetail-Oriented Capsule Networks (DECAPS) を提案する。 我々のネットワークは、分類精度を高めるためのいくつかのアーキテクチャの改善とCapsule Networksの強みを組み合わせる。 ROC曲線では,84.3%の精度,91.5%のリコール,96.1%の領域が達成され,最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-04-16T00:48:32Z)
• Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images [46.844349956057776]
  新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。 新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。 複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-12T16:24:59Z)

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。