論文の概要: Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images
- arxiv url: http://arxiv.org/abs/2004.14133v4
- Date: Thu, 21 May 2020 18:23:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 18:05:37.825547
- Title: Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images
- Title（参考訳）: Inf-Net:CT画像による自動肺感染症分離
- Authors: Deng-Ping Fan, Tao Zhou, Ge-Peng Ji, Yi Zhou, Geng Chen, Huazhu Fu,
Jianbing Shen, Ling Shao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 152.34988415258988
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coronavirus Disease 2019 (COVID-19) spread globally in early 2020, causing
the world to face an existential health crisis. Automated detection of lung
infections from computed tomography (CT) images offers a great potential to
augment the traditional healthcare strategy for tackling COVID-19. However,
segmenting infected regions from CT slices faces several challenges, including
high variation in infection characteristics, and low intensity contrast between
infections and normal tissues. Further, collecting a large amount of data is
impractical within a short time period, inhibiting the training of a deep
model. To address these challenges, a novel COVID-19 Lung Infection
Segmentation Deep Network (Inf-Net) is proposed to automatically identify
infected regions from chest CT slices. In our Inf-Net, a parallel partial
decoder is used to aggregate the high-level features and generate a global map.
Then, the implicit reverse attention and explicit edge-attention are utilized
to model the boundaries and enhance the representations. Moreover, to alleviate
the shortage of labeled data, we present a semi-supervised segmentation
framework based on a randomly selected propagation strategy, which only
requires a few labeled images and leverages primarily unlabeled data. Our
semi-supervised framework can improve the learning ability and achieve a higher
performance. Extensive experiments on our COVID-SemiSeg and real CT volumes
demonstrate that the proposed Inf-Net outperforms most cutting-edge
segmentation models and advances the state-of-the-art performance.
- Abstract（参考訳）: コロナウイルス病2019(COVID-19)は2020年初頭に世界中に広まり、世界は既存の健康危機に直面している。
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。
しかし、CTスライスから感染部位を分離することは、感染特性のばらつきや、感染と正常な組織とのコントラストの低さなど、いくつかの課題に直面している。
さらに、短時間で大量のデータを収集することは不可能であり、深層モデルの訓練を阻害する。
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, 新規な肺感染症分離ディープネットワーク(Inf-Net)が提案されている。
Inf-Netでは、並列部分デコーダを使用して高レベルの特徴を集約し、グローバルマップを生成する。
そして、暗黙の逆の注意と明示的なエッジアテンションを用いて境界をモデル化し、表現を強化する。
さらに,ラベル付きデータの不足を軽減するために,ランダムに選択された伝播戦略に基づく半教師付きセグメンテーションフレームワークを提案する。
半教師付きフレームワークは、学習能力を向上し、より高いパフォーマンスを実現します。
Inf-Netは最先端のセグメンテーションモデルよりも優れており、最先端のパフォーマンスも向上している。
関連論文リスト
- Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection
Segmentation System [69.40329819373954]
新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。
現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。
本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
論文 参考訳（メタデータ） (2022-09-07T05:01:38Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia
Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。
PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。
このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文 参考訳（メタデータ） (2021-08-09T04:58:23Z) - CHS-Net: A Deep learning approach for hierarchical segmentation of
COVID-19 infected CT images [0.6091702876917281]
新型重症急性呼吸器症候群(SARS-CoV-2)のパンデミックが世界中で広がっています。
CT(Computerd Tomography)、X線などの医療画像は、臓器の構造に関する優れた詳細を提示することにより、患者の診断に重要な役割を果たします。
ディープラーニング技術は、新型コロナウイルスなどの疾患やウイルスの迅速な診断を支援するために、そのようなスキャンを分析する強みを示しています。
論文 参考訳（メタデータ） (2020-12-13T15:02:05Z) - Classification and Region Analysis of COVID-19 Infection using Lung CT
Images and Deep Convolutional Neural Networks [0.8224695424591678]
本研究は、肺CT画像中のCOVID-19感染領域を記述するための2段階の深層畳み込みニューラルネットワーク(CNN)に基づくフレームワークを提案する。
第1段階では、2段階の離散ウェーブレット変換を用いて、COVID-19特異的CT画像の特徴を増強する。
これらの拡張CT画像は、提案したカスタムメイドの深部CoV-CTNetを用いて分類される。
第2段階では、新型コロナウイルス感染症領域の同定と解析のためのセグメンテーションモデルに、感染画像として分類されたCT画像を提供する。
論文 参考訳（メタデータ） (2020-09-16T02:28:46Z) - Automated Chest CT Image Segmentation of COVID-19 Lung Infection based
on 3D U-Net [0.0]
新型コロナウイルス(COVID-19)は世界中の何十億もの生命に影響を与え、公衆医療に大きな影響を与えている。
新型コロナウイルス感染地域のための革新的な自動セグメンテーションパイプラインを提案する。
本手法は,複数の前処理手法を実行することにより,一意およびランダムな画像パッチをオンザフライで生成する訓練に焦点をあてる。
論文 参考訳（メタデータ） (2020-06-24T17:29:26Z) - 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) - COVID-19 Chest CT Image Segmentation -- A Deep Convolutional Neural
Network Solution [34.08284037107891]
我々は,胸部CT画像と新型コロナウイルス感染のセグメンテーションに適した,新しい深部畳み込みニューラルネットワークを構築した。
感染した肺の境界線はグローバルな強度を調節することで高められるという観察にインスパイアされ,提案した深部CNNでは特徴変化ブロックを導入する。
提案したFVブロックは,多種多様なケースに対して効果的かつ適応的に特徴表現の能力を高めることができる。
論文 参考訳（メタデータ） (2020-04-23T06:09:16Z) - 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。