論文の概要: DRR4Covid: Learning Automated COVID-19 Infection Segmentation from
Digitally Reconstructed Radiographs
- arxiv url: http://arxiv.org/abs/2008.11478v1
- Date: Wed, 26 Aug 2020 10:34:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 21:30:13.411948
- Title: DRR4Covid: Learning Automated COVID-19 Infection Segmentation from
Digitally Reconstructed Radiographs
- Title（参考訳）: DRR4Covid: デジタルリコンストラクションによる新型コロナウイルス感染分離の学習
- Authors: Pengyi Zhang, Yunxin Zhong, Yulin Deng, Xiaoying Tang, Xiaoqiong Li
- Abstract要約: DRR4Covidは、Chest X-ray(CXR)画像の自動診断と感染セグメンテーションを学ぶための新しいアプローチである。
感染を意識したDRRジェネレータは、新型コロナウイルス感染の放射線学的兆候の調節可能な強度でDRRを生成することができる。
ドメイン適応モジュールは、DRRとCXR間のドメインの不一致を低減するために導入された。
- 参考スコア（独自算出の注目度）: 1.9049294570026933
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automated infection measurement and COVID-19 diagnosis based on Chest X-ray
(CXR) imaging is important for faster examination. We propose a novel approach,
called DRR4Covid, to learn automated COVID-19 diagnosis and infection
segmentation on CXRs from digitally reconstructed radiographs (DRRs). DRR4Covid
comprises of an infection-aware DRR generator, a classification and/or
segmentation network, and a domain adaptation module. The infection-aware DRR
generator is able to produce DRRs with adjustable strength of radiological
signs of COVID-19 infection, and generate pixel-level infection annotations
that match the DRRs precisely. The domain adaptation module is introduced to
reduce the domain discrepancy between DRRs and CXRs by training networks on
unlabeled real CXRs and labeled DRRs together.We provide a simple but effective
implementation of DRR4Covid by using a domain adaptation module based on
Maximum Mean Discrepancy (MMD), and a FCN-based network with a classification
header and a segmentation header. Extensive experiment results have confirmed
the efficacy of our method; specifically, quantifying the performance by
accuracy, AUC and F1-score, our network without using any annotations from CXRs
has achieved a classification score of (0.954, 0.989, 0.953) and a segmentation
score of (0.957, 0.981, 0.956) on a test set with 794 normal cases and 794
positive cases. Besides, we estimate the sensitive of X-ray images in detecting
COVID-19 infection by adjusting the strength of radiological signs of COVID-19
infection in synthetic DRRs. The estimated detection limit of the proportion of
infected voxels in the lungs is 19.43%, and the estimated lower bound of the
contribution rate of infected voxels is 20.0% for significant radiological
signs of COVID-19 infection. Our codes will be made publicly available at
https://github.com/PengyiZhang/DRR4Covid.
- Abstract（参考訳）: 胸部X線画像(CXR)に基づく感染自動測定とCOVID-19診断は,迅速検査に重要である。
我々はDRR4Covidと呼ばれる新しいアプローチを提案し、デジタル再構成ラジオグラフィー(DRRs)からCXRの自動診断と感染セグメンテーションを学習する。
DRR4Covidは、感染を意識したDRRジェネレータ、分類及び/またはセグメンテーションネットワーク、およびドメイン適応モジュールからなる。
感染を意識したDRRジェネレータは、新型コロナウイルス感染症の放射線学的徴候の調節可能な強度でDRRを生成し、DRRと正確に一致するピクセルレベルの感染アノテーションを生成することができる。
ドメイン適応モジュールは、未ラベルの実CXRとラベル付きDRRのネットワークによるDRRとCXRのドメイン不一致を低減するために導入され、最大平均離散(MMD)に基づくドメイン適応モジュールと、分類ヘッダとセグメンテーションヘッダを備えたFCNベースのネットワークを用いて、DRR4Covidの単純かつ効果的な実装を提供する。
以上の結果から,CXRのアノテーションを使わずに,AUCとF1スコアの精度による性能評価を行い,正常症例794例,陽性症例794例を対象に,分類スコア(0.954,0.989,0.953)とセグメンテーションスコア(0.957,0.981,0.956)を得た。
また, 合成DRRの放射線学的徴候の強度を調整し, ウイルス感染検出におけるX線画像の感度を推定した。
肺における感染性ボクセルの比率は19.43%で、感染性ボクセルの寄与率の下限は20.0%と推定されている。
私たちのコードはhttps://github.com/PengyiZhang/DRR4Covid.comで公開されます。
関連論文リスト
- Optimising Chest X-Rays for Image Analysis by Identifying and Removing
Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。
公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。
我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-22T13:57:04Z) - Evaluation of Convolutional Neural Networks for COVID-19 Classification
on Chest X-Rays [7.509537244787675]
我々は,Digital Chest X線による新型コロナウイルスによる肺炎の同定のための畳み込みニューラルネットワークの評価を提案する。
提案手法は、XRの前処理ステップ、データ拡張、および畳み込みアーキテクチャDenseNet121、InResceptionNetV2、InceptionV3、MovileNetV2、ResNet50、VGG16による分類からなる。
その結果, VGG16アーキテクチャはXRの分類において優れた性能を示した。
論文 参考訳（メタデータ） (2021-09-06T12:57:55Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - COVID-Net CXR-2: An Enhanced Deep Convolutional Neural Network Design
for Detection of COVID-19 Cases from Chest X-ray Images [58.35627258364233]
RT-PCR検査への無料スクリーニング戦略として胸部X線(CXR)イメージングの使用は成長し続けています。
我々は、CXR画像からCOVID-19を検出するための深層畳み込みニューラルネットワーク設計であるCOVID-Net CXR-2を紹介する。
ベンチマークデータセットは、少なくとも51カ国16,656人の多国籍コホートから19,203個のCXR画像で構成された。
論文 参考訳（メタデータ） (2021-05-14T04:29:21Z) - COVID-19 Infection Localization and Severity Grading from Chest X-ray
Images [3.4546388019336143]
コロナウイルス感染症2019(COVID-19)は、2019年12月に出現して以来、世界中で主要な課題となっている。
我々は、11,956のCOVID-19サンプルを含む33,920のCXRイメージで、最大のベンチマークデータセットを構築しました。
このアプローチは、99%以上の感度と特異性の両方で優れたCOVID-19検出性能を達成しました。
論文 参考訳（メタデータ） (2021-03-14T18:06:06Z) - Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19
Using Convolutional Neural Network [2.752817022620644]
最近の研究で、新型コロナウイルス患者のX線写真には、新型コロナウイルスに関する情報が含まれていることが示されている。
胸部X線(CXR)は、高速な撮像時間、広範囲の可用性、低コスト、可搬性から注目されている。
本研究では、CXR画像から新型コロナウイルスの分類を改善するために、新しい多機能畳み込みニューラルネットワーク(CNN)アーキテクチャを設計する。
論文 参考訳（メタデータ） (2020-11-06T20:26:26Z) - FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。
FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。
FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文 参考訳（メタデータ） (2020-10-30T03:17:31Z) - 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) - COVID-19 Infection Map Generation and Detection from Chest X-Ray Images [19.578921765959333]
そこで本研究では,CXR画像からの新型コロナウイルスの同時局在,重症度評価,検出のための新しい手法を提案する。
私たちは、2951のCOVID-19サンプルを含む119,316のCXRイメージで、最大のデータセットをコンパイルしました。
詳細な実験により、最先端のセグメンテーションネットワークは、F1スコア83.20%で新型コロナウイルス感染症の局所化を学べることが示されている。
論文 参考訳（メタデータ） (2020-09-26T22:20:05Z) - Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community
Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。
特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。
我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文 参考訳（メタデータ） (2020-05-06T09:56:51Z) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳（メタデータ） (2020-04-15T12:30:40Z)
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。