論文の概要: An encoder-decoder-based method for COVID-19 lung infection segmentation
- arxiv url: http://arxiv.org/abs/2007.00861v2
- Date: Sat, 4 Jul 2020 20:00:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 14:36:01.586715
- Title: An encoder-decoder-based method for COVID-19 lung infection segmentation
- Title（参考訳）: エンコーダ・デコーダを用いたcovid-19肺感染分画法
- Authors: Omar Elharrouss, Nandhini Subramanian, Somaya Al-Maadeed
- Abstract要約: 本稿では,CTスキャン画像を用いた多タスク深層学習による肺感染症セグメンテーションを提案する。
提案手法は,データやラベル付き画像が不足していても,肺感染症を高いパフォーマンスで分離することができる。
- 参考スコア（独自算出の注目度）: 3.561478746634639
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The novelty of the COVID-19 disease and the speed of spread has created a
colossal chaos, impulse among researchers worldwide to exploit all the
resources and capabilities to understand and analyze characteristics of the
coronavirus in term of the ways it spreads and virus incubation time. For that,
the existing medical features like CT and X-ray images are used. For example,
CT-scan images can be used for the detection of lung infection. But the
challenges of these features such as the quality of the image and infection
characteristics limitate the effectiveness of these features. Using artificial
intelligence (AI) tools and computer vision algorithms, the accuracy of
detection can be more accurate and can help to overcome these issues. This
paper proposes a multi-task deep-learning-based method for lung infection
segmentation using CT-scan images. Our proposed method starts by segmenting the
lung regions that can be infected. Then, segmenting the infections in these
regions. Also, to perform a multi-class segmentation the proposed model is
trained using the two-stream inputs. The multi-task learning used in this paper
allows us to overcome shortage of labeled data. Also, the multi-input stream
allows the model to do the learning on many features that can improve the
results. To evaluate the proposed method, many features have been used. Also,
from the experiments, the proposed method can segment lung infections with a
high degree performance even with shortage of data and labeled images. In
addition, comparing with the state-of-the-art method our method achieves good
performance results.
- Abstract（参考訳）: 新型コロナウイルス(covid-19)の新規性と感染の速さは、世界中の研究者の間で、ウイルスの拡散やインキュベーション時間という観点で新型コロナウイルスの特徴を理解し分析するために、あらゆるリソースと能力を活用しようとする混乱と衝動を生み出した。
そのため、CTやX線画像などの既存の医学的特徴が使用されている。
例えば、CTスキャン画像は肺感染症の検出に使用することができる。
しかし、画像の品質や感染特性といったこれらの特徴の課題は、これらの特徴の有効性を制限する。
人工知能(AI)ツールとコンピュータビジョンアルゴリズムを使用することで、検出の精度が向上し、これらの問題を解決するのに役立つ。
本稿では,CTスキャン画像を用いた多タスク深層学習による肺感染症セグメンテーションを提案する。
提案手法は感染可能な肺領域を分割することから始まる。
そして、これらの地域で感染を分断する。
また、マルチクラスセグメンテーションを行うために、2ストリーム入力を用いて提案モデルを訓練する。
本稿では,ラベル付きデータの不足を克服するマルチタスク学習について述べる。
また、マルチインプットストリームにより、モデルが結果を改善できる多くの機能について学習することができる。
提案手法の評価には,多くの特徴が用いられている。
また, 実験により, データやラベル画像が不足していても, 肺感染症を高い性能で分離できることを確認した。
また,最先端手法との比較により,良好な性能が得られた。
関連論文リスト
- Swin-Tempo: Temporal-Aware Lung Nodule Detection in CT Scans as Video
Sequences Using Swin Transformer-Enhanced UNet [2.7547288571938795]
本稿では、畳み込みニューラルネットワークと視覚変換器の長所を利用する革新的なモデルを提案する。
ビデオ中の物体検出にインスパイアされた各3次元CT画像をビデオとして扱い、個々のスライスをフレームとして、肺結節をオブジェクトとして扱い、時系列アプリケーションを可能にする。
論文 参考訳（メタデータ） (2023-10-05T07:48:55Z) - 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) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - 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) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z) - 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) - 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。