Fugu-MT 論文翻訳(概要): A Weakly Supervised Consistency-based Learning Method for COVID-19 Segmentation in CT Images

論文の概要: A Weakly Supervised Consistency-based Learning Method for COVID-19 Segmentation in CT Images

arxiv url: http://arxiv.org/abs/2007.02180v2
Date: Tue, 7 Jul 2020 11:56:15 GMT
ステータス: 処理完了
システム内更新日: 2022-11-13 13:57:33.723431
Title: A Weakly Supervised Consistency-based Learning Method for COVID-19 Segmentation in CT Images
Title（参考訳）: ct画像におけるcovid-19セグメンテーションのための弱教師付き一貫性に基づく学習法
Authors: Issam Laradji, Pau Rodriguez, Oscar Ma\~nas, Keegan Lensink, Marco Law, Lironne Kurzman, William Parker, David Vazquez, and Derek Nowrouzezahrai
Abstract要約: コロナウイルス病2019(COVID-19)は世界中で活発に広がり、現実的な健康危機を引き起こしている。トモグラフィ(CT)画像中のCOVID-19を自動的に検出するシステムは、病気の重症度を定量化するのに役立つ。我々は、CT画像上の各感染領域に1ピクセルのポイントアノテーションを要求することで、これらのラベル付けの課題に対処する。
参考スコア（独自算出の注目度）: 11.778195406694206
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Coronavirus Disease 2019 (COVID-19) has spread aggressively across the world causing an existential health crisis. Thus, having a system that automatically detects COVID-19 in tomography (CT) images can assist in quantifying the severity of the illness. Unfortunately, labelling chest CT scans requires significant domain expertise, time, and effort. We address these labelling challenges by only requiring point annotations, a single pixel for each infected region on a CT image. This labeling scheme allows annotators to label a pixel in a likely infected region, only taking 1-3 seconds, as opposed to 10-15 seconds to segment a region. Conventionally, segmentation models train on point-level annotations using the cross-entropy loss function on these labels. However, these models often suffer from low precision. Thus, we propose a consistency-based (CB) loss function that encourages the output predictions to be consistent with spatial transformations of the input images. The experiments on 3 open-source COVID-19 datasets show that this loss function yields significant improvement over conventional point-level loss functions and almost matches the performance of models trained with full supervision with much less human effort. Code is available at: \url{https://github.com/IssamLaradji/covid19_weak_supervision}.
Abstract（参考訳）: コロナウイルス病2019(COVID-19)は世界中で活発に広がり、現実的な健康危機を引き起こしている。したがって、トモグラフィ(CT)画像中のCOVID-19を自動的に検出するシステムを持つことで、病気の重症度を定量化することができる。残念ながら、胸部CTのラベル付けには、かなりの専門知識、時間、努力が必要である。我々は、CT画像上の各感染領域に1ピクセルのポイントアノテーションを要求することで、これらのラベル付け課題に対処する。このラベル付け方式により、アノテータは感染する可能性のある領域のピクセルにラベルを付けることができ、領域を分割するのに10～15秒かかるのに対して、1～3秒しかかからない。従来、セグメンテーションモデルはこれらのラベルのクロスエントロピー損失関数を使ってポイントレベルのアノテーションを訓練する。しかし、これらのモデルはしばしば精度が低い。そこで本稿では,出力予測を入力画像の空間変換に整合させるための整合性に基づく(CB)損失関数を提案する。オープンソースの3つのCOVID-19データセットの実験によると、この損失関数は従来のポイントレベルの損失関数よりも大幅に改善され、完全な監視でトレーニングされたモデルのパフォーマンスとほぼ一致している。コードは \url{https://github.com/issamlaradji/covid19_weak_supervision} で入手できる。

関連論文リスト

Adaptation to CT Reconstruction Kernels by Enforcing Cross-domain Feature Maps Consistency [0.06117371161379209]
本研究は,スムーズで訓練し,鋭い再構築カーネル上で試験したモデルにおいて,新型コロナウイルスのセグメンテーション品質の低下を示すものである。本稿では,F-Consistency(F-Consistency)と呼ばれる,教師なし適応手法を提案する。
論文参考訳（メタデータ） (2022-03-28T10:00:03Z)
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)
Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文参考訳（メタデータ） (2021-09-08T07:56:51Z)
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)
Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
論文参考訳（メタデータ） (2021-03-01T06:05:49Z)
Label-Free Segmentation of COVID-19 Lesions in Lung CT [17.639558085838583]
ピクセルレベルの異常モデルを用いて,CTで新型コロナウイルスの病変を分類するためのラベルフリーアプローチを提案する。我々のモデリングは、気管と血管の一部が、病変が属する高強度範囲にあり、強いパターンを示すという観察に着想を得たものである。実験では,NormNetの有効性を3つの異なるデータセットで検証した。
論文参考訳（メタデータ） (2020-09-08T12:38:34Z)
A Weakly Supervised Region-Based Active Learning Method for COVID-19 Segmentation in CT Images [17.42747482530237]
CTスキャンのラベル付けには多くの時間と労力が必要で、1スキャンにつき最大150分かかる。我々は,CTスキャン画像のラベル付けを高速化する,スケーラブルで高速かつ高精度な能動学習システムを導入する。
論文参考訳（メタデータ） (2020-07-07T16:38:04Z)
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)
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)

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。