論文の概要: Segmentation of Pulmonary Opacification in Chest CT Scans of COVID-19
Patients
- arxiv url: http://arxiv.org/abs/2007.03643v2
- Date: Wed, 8 Jul 2020 21:26:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 20:27:45.816930
- Title: Segmentation of Pulmonary Opacification in Chest CT Scans of COVID-19
Patients
- Title（参考訳）: 胸部CT検査における肺Opacificationの分画
- Authors: Keegan Lensink, Issam Laradji, Marco Law, Paolo Emilio Barbano, Savvas
Nicolaou, William Parker, Eldad Haber
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.140265238474236
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) has rapidly
spread into a global pandemic. A form of pneumonia, presenting as opacities
with in a patient's lungs, is the most common presentation associated with this
virus, and great attention has gone into how these changes relate to patient
morbidity and mortality. In this work we provide open source models for the
segmentation of patterns of pulmonary opacification on chest Computed
Tomography (CT) scans which have been correlated with various stages and
severities of infection. We have collected 663 chest CT scans of COVID-19
patients from healthcare centers around the world, and created pixel wise
segmentation labels for nearly 25,000 slices that segment 6 different patterns
of pulmonary opacification. We provide open source implementations and
pre-trained weights for multiple segmentation models trained on our dataset.
Our best model achieves an opacity Intersection-Over-Union score of 0.76 on our
test set, demonstrates successful domain adaptation, and predicts the volume of
opacification within 1.7\% of expert radiologists. Additionally, we present an
analysis of the inter-observer variability inherent to this task, and propose
methods for appropriate probabilistic approaches.
- Abstract（参考訳）: 重症急性呼吸症候群 コロナウイルス2(SARS-CoV-2)は急速に世界的なパンデミックに広まっている。
患者の肺に不透明な症状として現れる肺炎は、このウイルスに関連する最も一般的な発表であり、これらの変化が患者の死亡や死亡とどのように関係しているかに注目が集まっている。
本研究は,胸部CT(CT)スキャンにおける肺閉塞のパターン分類のためのオープンソースモデルであり,感染のさまざまなステージと重症度に相関している。
世界中の医療センターから663人の胸部CTスキャンを収集し、肺の6つの異なるパターンを分割する25,000個のスライスでピクセルワイドセグメンテーションラベルを作成しました。
データセットでトレーニングされた複数のセグメンテーションモデルに対して、オープンソース実装と事前トレーニングされた重み付けを提供します。
最適モデルでは,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。
さらに,このタスクに固有のオブザーバ間変動の解析を行い,適切な確率的アプローチのための手法を提案する。
関連論文リスト
- A framework for quantitative analysis of Computed Tomography images of
viral pneumonitis: radiomic features in COVID and non-COVID patients [0.0]
1028個の胸部CT像を肺抽出のために自動的に分離した。
ガウスモデルを用いて, 肺の正常な部位と重症部位を定量的に表す指標(QM)を算出した。
両側肺から第1,第2次放射線学的特徴(RF)を抽出した。
新型コロナウイルスと非ウイルス性肺炎を分類する人工知能ベースの4つのモデルを開発した。
論文 参考訳（メタデータ） (2021-09-28T15:22:24Z) - 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) - Development of a Multi-Task Learning V-Net for Pulmonary Lobar
Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。
この影響は、肺葉を分節する機械学習手法の改善を動機づけた。
このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
論文 参考訳（メタデータ） (2021-05-11T17:10:25Z) - Rapid quantification of COVID-19 pneumonia burden from computed
tomography with convolutional LSTM networks [1.0072268949897432]
新型肺炎における肺病変の迅速定量と分化のための新しい完全自動化ディープラーニングフレームワークを提案する。
SARS-CoV-2の陽性逆転写ポリメラーゼ連鎖反応試験結果を有する197例のCTデータセット上で,この方法の性能を評価した。
論文 参考訳（メタデータ） (2021-03-31T22:09:14Z) - Probabilistic combination of eigenlungs-based classifiers for COVID-19
diagnosis in chest CT images [6.1020196190084555]
新型コロナウイルスの感染者数は1億人以上で、2400万人以上が死亡している。
胸部X線(CXR)や胸部CT(CCT)などの医療画像の使用は、優れたソリューションであることが証明されています。
肺炎パターンを同定するために,確率的支援ベクトルマシン(SVM)に基づくアンサンブル分類器を提案する。
論文 参考訳（メタデータ） (2021-03-04T11:30:38Z) - 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) - 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) - Deep learning to estimate the physical proportion of infected region of
lung for COVID-19 pneumonia with CT image set [13.146276716689972]
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。
論文 参考訳（メタデータ） (2020-06-09T02:38:40Z) - 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) - 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)
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。