論文の概要: Label-Free Segmentation of COVID-19 Lesions in Lung CT
- arxiv url: http://arxiv.org/abs/2009.06456v3
- Date: Fri, 12 Mar 2021 03:01:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 21:02:14.867597
- Title: Label-Free Segmentation of COVID-19 Lesions in Lung CT
- Title（参考訳）: 肺ctにおけるcovid-19病変のラベルなしセグメンテーション
- Authors: Qingsong Yao, Li Xiao, Peihang Liu and S. Kevin Zhou
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 17.639558085838583
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scarcity of annotated images hampers the building of automated solution for
reliable COVID-19 diagnosis and evaluation from CT. To alleviate the burden of
data annotation, we herein present a label-free approach for segmenting
COVID-19 lesions in CT via pixel-level anomaly modeling that mines out the
relevant knowledge from normal CT lung scans. Our modeling is inspired by the
observation that the parts of tracheae and vessels, which lay in the
high-intensity range where lesions belong to, exhibit strong patterns. To
facilitate the learning of such patterns at a pixel level, we synthesize
`lesions' using a set of surprisingly simple operations and insert the
synthesized `lesions' into normal CT lung scans to form training pairs, from
which we learn a normalcy-converting network (NormNet) that turns an 'abnormal'
image back to normal. Our experiments on three different datasets validate the
effectiveness of NormNet, which conspicuously outperforms a variety of
unsupervised anomaly detection (UAD) methods.
- Abstract（参考訳）: 注釈付き画像は、信頼性の高い新型コロナウイルスの診断とCTによる評価のための自動化ソリューションの構築を妨げている。
データアノテーションの負担を軽減するため、通常のCT肺スキャンから関連する知識を抽出するピクセルレベルの異常モデリングを用いて、CT内のCOVID-19病変を分類するためのラベルなしアプローチを提案する。
私たちのモデリングは、病変が属する高強度領域に分布する気管と血管の一部が強いパターンを示すという観察から着想を得たものです。
このようなパターンのピクセルレベルでの学習を容易にするため、驚くほど単純な操作を用いて「レシオン」を合成し、合成した「レシオン」を正常なCT肺スキャンに挿入してトレーニングペアを形成し、そこから「異常」画像を正常に戻す正規化変換ネットワーク(NormNet)を学習する。
3つの異なるデータセットに関する実験は、様々な教師なし異常検出(unsupervised anomaly detection, uad)法を明らかに上回るノームネットの有効性を検証する。
関連論文リスト
- DiffusionCT: Latent Diffusion Model for CT Image Standardization [9.312998333278802]
既存のCT画像調和モデルは、GANベースの教師付きまたは半教師付き学習に依存しており、性能は限られている。
この研究は、異なるベンダーやプロトコルから取得したCT画像を標準化するために、DiffusionCTと呼ばれる新しい拡散ベースモデルを用いたCT画像調和の問題に対処する。
DiffusionCTを用いた標準化タスクの性能向上実験を行った。
論文 参考訳（メタデータ） (2023-01-20T22:13:48Z) - Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する
深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。
良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。
修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
論文 参考訳（メタデータ） (2022-11-24T02:55:20Z) - Adaptive GLCM sampling for transformer-based COVID-19 detection on CT [15.721176922155406]
本稿では,新しいデータキュレーションと適応サンプリング手法を用いたトランスフォーマーを用いたCOVID-19検出手法を提案する。
実験結果から,提案手法はモデル変更の困難さを伴わずに,大きなマージンで検出性能を向上することを示した。
論文 参考訳（メタデータ） (2022-07-04T15:31:21Z) - 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) - Evaluating Transferability for Covid 3D Localization Using CT SARS-CoV-2
segmentation models [8.026717228180935]
本稿では,CT画像中の肺炎感染領域のセマンティックセグメンテーションにおけるディープラーニングモデル転送可能性の有用性について検討する。
本研究は,特定のCTデータセットを用いて,トレーニング済みのU-Netアーキテクチャを用いて,異なるデータセットの画像に対するCovid-19副作用を特定することの有効性を検討する。
論文 参考訳（メタデータ） (2022-05-04T16:15:25Z) - 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) - 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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - 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。