論文の概要: Deep learning to estimate the physical proportion of infected region of
lung for COVID-19 pneumonia with CT image set
- arxiv url: http://arxiv.org/abs/2006.05018v1
- Date: Tue, 9 Jun 2020 02:38:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 14:48:01.610715
- Title: Deep learning to estimate the physical proportion of infected region of
lung for COVID-19 pneumonia with CT image set
- Title（参考訳）: ct画像を用いた深層学習によるcovid-19肺炎肺感染領域の身体的比率の推定
- Authors: Wei Wu, Yu Shi, Xukun Li, Yukun Zhou, Peng Du, Shuangzhi Lv, Tingbo
Liang, Jifang Sheng
- Abstract要約: 肺の感染部位の割合は、臨床医師が症例の重症度を判断するのを助ける視覚的証拠として用いられる。
感染地域を定量化した報告は、治療サイクル内で定期的にスキャンされた新型コロナウイルス患者の予後を予測するのに役立つ。
- 参考スコア（独自算出の注目度）: 13.146276716689972
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Utilizing computed tomography (CT) images to quickly estimate the severity of
cases with COVID-19 is one of the most straightforward and efficacious methods.
Two tasks were studied in this present paper. One was to segment the mask of
intact lung in case of pneumonia. Another was to generate the masks of regions
infected by COVID-19. The masks of these two parts of images then were
converted to corresponding volumes to calculate the physical proportion of
infected region of lung. A total of 129 CT image set were herein collected and
studied. The intrinsic Hounsfiled value of CT images was firstly utilized to
generate the initial dirty version of labeled masks both for intact lung and
infected regions. Then, the samples were carefully adjusted and improved by two
professional radiologists to generate the final training set and test
benchmark. Two deep learning models were evaluated: UNet and 2.5D UNet. For the
segment of infected regions, a deep learning based classifier was followed to
remove unrelated blur-edged regions that were wrongly segmented out such as air
tube and blood vessel tissue etc. For the segmented masks of intact lung and
infected regions, the best method could achieve 0.972 and 0.757 measure in mean
Dice similarity coefficient on our test benchmark. As the overall proportion of
infected region of lung, the final result showed 0.961 (Pearson's correlation
coefficient) and 11.7% (mean absolute percent error). The instant proportion of
infected regions of lung could be used as a visual evidence to assist clinical
physician to determine the severity of the case. Furthermore, a quantified
report of infected regions can help predict the prognosis for COVID-19 cases
which were scanned periodically within the treatment cycle.
- Abstract（参考訳）: ct画像を用いてcovid-19患者の重症度を迅速に推定することは、最も単純で効果的である。
本論文では2つの課題について検討した。
一つは、肺炎の場合、無傷の肺のマスクを分割することであった。
もうひとつは、新型コロナウイルスに感染した地域のマスクを作ることだった。
これらの2つの画像のマスクは、肺の感染領域の物理的割合を計算するために対応するボリュームに変換された。
129枚のCT画像が収集され,研究された。
CT画像の内在性ハウンズファイリング値を用いて,無傷および感染部位の両方にラベル付きマスクの初期汚れ版を生成した。
そして、サンプルを慎重に調整し、2人のプロの放射線技師が最終トレーニングセットとテストベンチマークを生成するように改善した。
UNetと2.5D UNetの2つのディープラーニングモデルが評価された。
感染領域の区分について, 深層学習に基づく分類器を用いて, エアチューブや血管組織など, 誤って区切られた無関係なぼやけ領域を除去した。
有毒肺および感染領域の分別マスクについては, 試験基準で平均ダイス類似度係数で0.972, 0.757 測定が可能であった。
肺の感染領域全体の比率として、最終結果は0.961(ピアソンの相関係数)と11.7%(絶対誤差)であった。
肺感染領域の瞬時の割合は、臨床医師が患者の重症度を判断するのに役立つ視覚的な証拠として使用できる。
さらに、感染地域を定量化した報告は、治療サイクル内で定期的にスキャンされた新型コロナウイルス患者の予後を予測するのに役立つ。
関連論文リスト
- Lung infection and normal region segmentation from CT volumes of
COVID-19 cases [1.6800485155509775]
新型コロナウイルス患者のCTボリュームから肺の感染領域と正常領域を自動分離する方法を提案する。
2019年12月からは、新型コロナウイルス感染症(COVID-19)が世界中に広がる。
新型コロナウイルスの軽症から重篤な症例まで、肺の正常領域と感染領域を正しく区分けする手法が提案された。
論文 参考訳（メタデータ） (2022-01-09T16:41:23Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - 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) - 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 patient-specific approach for quantitative and automatic analysis of
computed tomography images in lung disease: application to COVID-19 patients [0.0]
肺CT画像の定量的指標は、しばしば生理学との明確な関係なしに、広く使用されている。
本研究は,CT画像における肺の容積評価のための患者非依存モデルを提案する。
論文 参考訳（メタデータ） (2021-01-12T12:02:01Z) - CT Image Segmentation for Inflamed and Fibrotic Lungs Using a
Multi-Resolution Convolutional Neural Network [6.177921466996229]
本研究の目的は, 各種密度増強肺異常に対して頑健な完全自動セグメンテーションアルゴリズムを開発することである。
急性肺障害を患うヒトの左肺と右肺に特異的にラベル付けされた肺と非特異的にラベル付けされた肺の両方を1つのニューラルネットワークのトレーニングに組み込んだ多形性訓練手法が提案されている。
結果として生じるネットワークは、ヒトの左右の肺領域を、びまん性オパーシフィケーションと凝縮を伴わずに予測することを目的としている。
論文 参考訳（メタデータ） (2020-10-16T18:25:59Z) - 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) - Segmentation of Pulmonary Opacification in Chest CT Scans of COVID-19
Patients [3.140265238474236]
胸部CT(CT)スキャンにおける肺不透明化パターンのセグメンテーションのためのオープンソースモデルについて検討した。
世界中の医療センターで663個の胸部CT検査を行った。
本研究の最適モデルは,テストセットで0.76オパシティ・インターセクション・オーバー・ユニオンスコアを達成し,ドメイン適応を成功させ,専門家の1.7%以内のオパシティの容積を予測する。
論文 参考訳（メタデータ） (2020-07-07T17:32:24Z) - 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) - 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。