論文の概要: Automated detection and quantification of COVID-19 airspace disease on
chest radiographs: A novel approach achieving radiologist-level performance
using a CNN trained on digital reconstructed radiographs (DRRs) from CT-based
ground-truth
- arxiv url: http://arxiv.org/abs/2008.06330v1
- Date: Thu, 13 Aug 2020 14:33:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 23:05:53.024863
- Title: Automated detection and quantification of COVID-19 airspace disease on
chest radiographs: A novel approach achieving radiologist-level performance
using a CNN trained on digital reconstructed radiographs (DRRs) from CT-based
ground-truth
- Title（参考訳）: 胸部X線写真におけるCOVID-19空域病の自動検出と定量化:CTを用いたデジタル再構成X線写真(DRR)で訓練したCNNを用いた放射線科レベルのパフォーマンス向上のための新しいアプローチ
- Authors: Eduardo Mortani Barbosa Jr., Warren B. Gefter, Rochelle Yang, Florin
C. Ghesu, Siqi Liu, Boris Mailhe, Awais Mansoor, Sasa Grbic, Sebastian Piat,
Guillaume Chabin, Vishwanath R S., Abishek Balachandran, Sebastian Vogt,
Valentin Ziebandt, Steffen Kappler, Dorin Comaniciu
- Abstract要約: COVID-19関連AD(POv)のボリュームパーセンテージはCTで手動のADセグメンテーションによって確立された。
大規模なCTデータセットから生成されたDRR画像を用いて畳み込みニューラルネットワーク(CNN)を訓練した。
CNNの結果は、CXR上で2人の専門家が定量化したPOaと、計算相関と平均絶対誤差によりPOvの基底構造と比較した。
- 参考スコア（独自算出の注目度）: 12.364523016663878
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: To leverage volumetric quantification of airspace disease (AD)
derived from a superior modality (CT) serving as ground truth, projected onto
digitally reconstructed radiographs (DRRs) to: 1) train a convolutional neural
network to quantify airspace disease on paired CXRs; and 2) compare the
DRR-trained CNN to expert human readers in the CXR evaluation of patients with
confirmed COVID-19.
Materials and Methods: We retrospectively selected a cohort of 86 COVID-19
patients (with positive RT-PCR), from March-May 2020 at a tertiary hospital in
the northeastern USA, who underwent chest CT and CXR within 48 hrs. The ground
truth volumetric percentage of COVID-19 related AD (POv) was established by
manual AD segmentation on CT. The resulting 3D masks were projected into 2D
anterior-posterior digitally reconstructed radiographs (DRR) to compute
area-based AD percentage (POa). A convolutional neural network (CNN) was
trained with DRR images generated from a larger-scale CT dataset of COVID-19
and non-COVID-19 patients, automatically segmenting lungs, AD and quantifying
POa on CXR. CNN POa results were compared to POa quantified on CXR by two
expert readers and to the POv ground-truth, by computing correlations and mean
absolute errors.
Results: Bootstrap mean absolute error (MAE) and correlations between POa and
POv were 11.98% [11.05%-12.47%] and 0.77 [0.70-0.82] for average of expert
readers, and 9.56%-9.78% [8.83%-10.22%] and 0.78-0.81 [0.73-0.85] for the CNN,
respectively.
Conclusion: Our CNN trained with DRR using CT-derived airspace quantification
achieved expert radiologist level of accuracy in the quantification of airspace
disease on CXR, in patients with positive RT-PCR for COVID-19.
- Abstract（参考訳）: 目的: 地上の真理として機能する優れたモダリティ(CT)から導かれる空域疾患(AD)の体積定量化をデジタル再構成ラジオグラフィー(DRR)に投影する。
1)畳み込みニューラルネットワークを訓練して、ペアcxr上の空域疾患を定量化すること。
2) HIV感染者のCXR評価において, DRR訓練CNNと熟練したヒト読者との比較を行った。
対象と方法:2020年3月から5月にかけて,米国北東部の第3次病院で,68時間以内に胸部CTおよびCXRを施行した86例(RT-PCR陽性)のコホートを回顧的に選択した。
pov (ground truth volumetric ratio of covid-19 related ad) はctによる手話広告セグメンテーションによって確立された。
得られた3Dマスクは2次元前方デジタル再構成ラジオグラフィー (DRR) に投影され, 面積ベースADパーセンテージ (POa) を算出した。
畳み込みニューラルネットワーク(CNN)は、COVID-19および非COVID-19患者の大規模CTデータセットから生成されたDRR画像を用いて訓練され、自動的に肺、AD、CXR上のPOaを定量化する。
CNN POa の結果は,CXR 上で2人の専門家が定量化した POa と,計算相関と平均絶対誤差により POv の基底構造と比較した。
結果: ブートストラップ平均絶対誤差 (MAE) は11.98% [11.05%-12.47%) と0.77[0.70-0.82] であり, CNNでは9.56%-9.78% [8.83%-10.22%) と0.78-0.81 [0.73-0.85) であった。
結論:我々のCNNはCT由来の空域定量法を用いてDRRを訓練し,CXR上の空域疾患の定量化に熟練した放射線技師の精度を得た。
関連論文リスト
- Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - CIRCA: comprehensible online system in support of chest X-rays-based
COVID-19 diagnosis [37.41181188499616]
深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。
5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。
The U-Net-based model was developed to identified a clinically relevant region of the CXR。
論文 参考訳（メタデータ） (2022-10-11T13:30:34Z) - Recognition of COVID-19 Disease Utilizing X-Ray Imaging of the Chest
Using CNN [0.0]
本研究の目的は、胸部X線画像を用いた新型コロナウイルスの診断のために、畳み込みニューラルネットワーク(CNN)を評価することである。
データセットを3分割したX線画像に対して, 予備実験の結果, 3層の畳み込み層を持つCNNモデルは, 96%の精度で確実に検出できることがわかった。
論文 参考訳（メタデータ） (2021-09-05T15:31:24Z) - 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) - COVID-Net CXR-S: Deep Convolutional Neural Network for Severity
Assessment of COVID-19 Cases from Chest X-ray Images [74.77272804752306]
胸部CXR画像に基づくSARS-CoV-2陽性患者の空間重症度を予測する畳み込みニューラルネットワークであるCOVID-Net CXR-Sについて紹介する。
患者15,000人以上の多国籍コホートから得られた16,000以上のCXR画像から得られた表現的知識を,重症度評価のためのカスタムネットワークアーキテクチャへ伝達する。
提案したCXR-Sは、新型コロナウイルス陽性患者のCXR画像のコンピュータ支援による重症度評価のための強力なツールとなる可能性がある。
論文 参考訳（メタデータ） (2021-05-01T14:15:12Z) - 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-19 Classification of X-ray Images Using Deep Neural Networks [36.99143569437537]
本研究の目的は、新型コロナウイルスの診断のための機械学習モデルの作成と評価である。
機械学習モデルは、事前訓練されたディープラーニングモデル(ReNet50)を使用して構築され、データ拡張と肺分節によって強化された。
精度,感度,受信特性曲線(ROC)と高精度リコール曲線(P-R)を用いて評価した。
論文 参考訳（メタデータ） (2020-10-03T13:57:08Z) - 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) - COVID-Net S: Towards computer-aided severity assessment via training and
validation of deep neural networks for geographic extent and opacity extent
scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。
本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
論文 参考訳（メタデータ） (2020-05-26T16:33:52Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - Deep Learning for Reliable Classification of COVID-19, MERS, and SARS
from Chest X-Ray Images [3.1807621587822013]
重症急性呼吸症候群(SARS)と中東呼吸器症候群(MERS)の流行は2002年と2011年に発生し、現在のCOVID-19パンデミックはいずれも同じ種類の新型コロナウイルスである。
本研究の目的は、深層畳み込みニューラルネットワーク(CNN)を用いて、COVID-19、SARS、MERS胸部X線画像(CXR)を分類することである。
論文 参考訳（メタデータ） (2020-05-23T12:22:28Z)
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。