論文の概要: 3D Tomographic Pattern Synthesis for Enhancing the Quantification of
COVID-19
- arxiv url: http://arxiv.org/abs/2005.01903v1
- Date: Tue, 5 May 2020 01:31:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 14:24:47.742847
- Title: 3D Tomographic Pattern Synthesis for Enhancing the Quantification of
COVID-19
- Title（参考訳）: 新型コロナウイルスの定量化のための3次元トモグラフィーパターン合成
- Authors: Siqi Liu, Bogdan Georgescu, Zhoubing Xu, Youngjin Yoo, Guillaume
Chabin, Shikha Chaganti, Sasa Grbic, Sebastian Piat, Brian Teixeira, Abishek
Balachandran, Vishwanath RS, Thomas Re, Dorin Comaniciu
- Abstract要約: 2020年4月12日時点で、コロナウイルス病(COVID-19)は18万人に感染し、11万人以上の死者を出した。
胸部CTで見られる断層像は, 臨床像の重症度と進行度と相関する。
我々は、これらの課題に対処するために、合成データセットを使用して、既存のCOVID-19データベースを拡張することを提案する。
- 参考スコア（独自算出の注目度）: 13.424414148963566
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Coronavirus Disease (COVID-19) has affected 1.8 million people and
resulted in more than 110,000 deaths as of April 12, 2020. Several studies have
shown that tomographic patterns seen on chest Computed Tomography (CT), such as
ground-glass opacities, consolidations, and crazy paving pattern, are
correlated with the disease severity and progression. CT imaging can thus
emerge as an important modality for the management of COVID-19 patients.
AI-based solutions can be used to support CT based quantitative reporting and
make reading efficient and reproducible if quantitative biomarkers, such as the
Percentage of Opacity (PO), can be automatically computed. However, COVID-19
has posed unique challenges to the development of AI, specifically concerning
the availability of appropriate image data and annotations at scale. In this
paper, we propose to use synthetic datasets to augment an existing COVID-19
database to tackle these challenges. We train a Generative Adversarial Network
(GAN) to inpaint COVID-19 related tomographic patterns on chest CTs from
patients without infectious diseases. Additionally, we leverage location priors
derived from manually labeled COVID-19 chest CTs patients to generate
appropriate abnormality distributions. Synthetic data are used to improve both
lung segmentation and segmentation of COVID-19 patterns by adding 20% of
synthetic data to the real COVID-19 training data. We collected 2143 chest CTs,
containing 327 COVID-19 positive cases, acquired from 12 sites across 7
countries. By testing on 100 COVID-19 positive and 100 control cases, we show
that synthetic data can help improve both lung segmentation (+6.02% lesion
inclusion rate) and abnormality segmentation (+2.78% dice coefficient), leading
to an overall more accurate PO computation (+2.82% Pearson coefficient).
- Abstract（参考訳）: 2020年4月12日現在、コロナウイルス(COVID-19)は18万人に感染し、11万人以上の死者を出した。
胸部CT(CT)で見られるトモグラフィーのパターンは, 疾患の重症度と進行度と相関していることが, いくつかの研究で示されている。
したがって、CT画像は、新型コロナウイルス患者の管理にとって重要なモダリティとして現れる可能性がある。
AIベースのソリューションは、CTベースの定量的レポーティングをサポートし、Opacity (PO)のような定量的バイオマーカーが自動的に計算される場合、読み出しが効率的かつ再現可能である。
しかし、covid-19はaiの開発に独自の課題をもたらし、特に大規模な画像データとアノテーションが利用可能になった。
本稿では、これらの課題に取り組むために、既存のcovid-19データベースを強化するために、合成データセットを使用することを提案する。
疾患のない患者の胸部CTに新型コロナウイルス関連トモグラフィーパターンを塗布するためにGAN(Generative Adversarial Network)を訓練する。
また,手動でラベル付けした新型コロナウイルスの胸部CT患者から得られる位置先を利用して,適切な異常分布を生成する。
合成データは、実際のCOVID-19トレーニングデータに20%の合成データを付加することにより、肺のセグメンテーションとCOVID-19パターンのセグメンテーションの両方を改善するために使用される。
7ヶ国12ヶ所から採取した2143個の胸部CT(327例)を採取した。
100のCOVID-19陽性、100のコントロールケースでテストしたところ、合成データは肺の分画(+6.02%の病変包接率)と異常分画(+2.78%のダイス係数)の両方を改善するのに役立ち、全体としてより正確なPO計算(+2.82%のピアソン係数)をもたらすことがわかった。
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) - 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) - 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) - COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19
from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。
説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。
結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
論文 参考訳（メタデータ） (2021-01-19T03:04:09Z) - COVID-FACT: A Fully-Automated Capsule Network-based Framework for
Identification of COVID-19 Cases from Chest CT scans [29.327290778950324]
我々は「COVID-FACT」と呼ばれる新型コロナウイルス陽性症例の同定のための2段階完全自動化フレームワークを提案する。
COVID-FACTは感染したスライスを検出し、社内CTスキャンデータセットを使用して陽性のCOVID-19患者を特定する。
この実験に基づいて、COVID-FACTは90.82%の精度、94.55%の感度、86.04%の特異度、および0.98のエリアアンダー・ザ・カーブ(AUC)を達成できるが、監督やアノテーションははるかに少ない。
論文 参考訳（メタデータ） (2020-10-30T03:30:22Z) - Automated triage of COVID-19 from various lung abnormalities using chest
CT features [2.4956060473718407]
入力胸部CTをスキャンし、新型コロナウイルスの患者をトリアージする、完全に自動化されたAIベースのシステムを提案する。
肺や感染症の統計、テクスチャ、形状、位置など、さまざまな特徴を生成して、機械学習ベースの分類器を訓練します。
2191例のCTデータセットを用いて本システムの評価を行い,90.8%の感度で85.4%の特異性,94.0%のROC-AUCで堅牢な解を示した。
論文 参考訳（メタデータ） (2020-10-24T19:44:48Z) - 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) - 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) - Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community
Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。
特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。
我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文 参考訳（メタデータ） (2020-05-06T09:56:51Z) - 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)
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。