論文の概要: Classification and Region Analysis of COVID-19 Infection using Lung CT
Images and Deep Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2009.08864v1
- Date: Wed, 16 Sep 2020 02:28:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 00:47:31.146942
- Title: Classification and Region Analysis of COVID-19 Infection using Lung CT
Images and Deep Convolutional Neural Networks
- Title（参考訳）: 肺CT画像と深部畳み込みニューラルネットワークを用いたCOVID-19感染の分類と地域分析
- Authors: Saddam Hussain Khan, Anabia Sohail, Asifullah Khan, and Yeon Soo Lee
- Abstract要約: 本研究は、肺CT画像中のCOVID-19感染領域を記述するための2段階の深層畳み込みニューラルネットワーク(CNN)に基づくフレームワークを提案する。
第1段階では、2段階の離散ウェーブレット変換を用いて、COVID-19特異的CT画像の特徴を増強する。
これらの拡張CT画像は、提案したカスタムメイドの深部CoV-CTNetを用いて分類される。
第2段階では、新型コロナウイルス感染症領域の同定と解析のためのセグメンテーションモデルに、感染画像として分類されたCT画像を提供する。
- 参考スコア（独自算出の注目度）: 0.8224695424591678
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: COVID-19 is a global health problem. Consequently, early detection and
analysis of the infection patterns are crucial for controlling infection spread
as well as devising a treatment plan. This work proposes a two-stage deep
Convolutional Neural Networks (CNNs) based framework for delineation of
COVID-19 infected regions in Lung CT images. In the first stage, initially,
COVID-19 specific CT image features are enhanced using a two-level discrete
wavelet transformation. These enhanced CT images are then classified using the
proposed custom-made deep CoV-CTNet. In the second stage, the CT images
classified as infectious images are provided to the segmentation models for the
identification and analysis of COVID-19 infectious regions. In this regard, we
propose a novel semantic segmentation model CoV-RASeg, which systematically
uses average and max pooling operations in the encoder and decoder blocks. This
systematic utilization of max and average pooling operations helps the proposed
CoV-RASeg in simultaneously learning both the boundaries and region
homogeneity. Moreover, the idea of attention is incorporated to deal with
mildly infected regions. The proposed two-stage framework is evaluated on a
standard Lung CT image dataset, and its performance is compared with the
existing deep CNN models. The performance of the proposed CoV-CTNet is
evaluated using Mathew Correlation Coefficient (MCC) measure (0.98) and that of
proposed CoV-RASeg using Dice Similarity (DS) score (0.95). The promising
results on an unseen test set suggest that the proposed framework has the
potential to help the radiologists in the identification and analysis of
COVID-19 infected regions.
- Abstract（参考訳）: 新型コロナウイルスは世界的な健康問題です。
したがって、感染パターンの早期検出と分析は、感染拡大の抑制と治療計画の策定に不可欠である。
本研究は、肺CT画像中のCOVID-19感染領域を記述するための2段階の深層畳み込みニューラルネットワーク(CNN)に基づくフレームワークを提案する。
第1段階では、まず2段階の離散ウェーブレット変換を用いて、COVID-19特異的CT画像の特徴を増強する。
これらの拡張CT画像は、提案したカスタマイズされたCoV-CTNetを用いて分類される。
第2段階では、新型コロナウイルス感染症領域の同定と解析のためのセグメンテーションモデルに、感染画像に分類されるCT画像を提供する。
本稿では,エンコーダおよびデコーダブロックにおける平均および最大プーリング操作を体系的に利用する,新しいセマンティックセグメンテーションモデルCoV-RASegを提案する。
最大および平均プール操作の体系的利用は、提案したCoV-RASegが境界と領域の均一性の両方を同時に学習するのに役立つ。
また、軽度に感染した地域を扱うために注意の考えが組み込まれている。
提案する2段階のフレームワークを標準Lung CT画像データセットで評価し,その性能を既存の深部CNNモデルと比較した。
提案する cov-ctnet の性能を mathew correlation coefficient (mcc) measure (0.98) と dice similarity (ds) score (0.95) を用いて評価した。
未確認の検査セットの有望な結果は、このフレームワークが新型コロナウイルス感染地域の識別と分析に役立つ可能性があることを示唆している。
関連論文リスト
- 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) - Automatic segmentation of novel coronavirus pneumonia lesions in CT
images utilizing deep-supervised ensemble learning network [3.110938126026385]
新型コロナウイルス(COVID-19)の病変の構造は複雑で、様々なケースで大きく異なる。
過度に適合する問題を補うために、トランスファーラーニング戦略が採用されている。
深い教師付きアンサンブル学習ネットワークは、COVID-19の病変セグメンテーションの局所的特徴とグローバル的特徴を組み合わせるために提示される。
論文 参考訳（メタデータ） (2021-10-25T11:49:20Z) - 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) - CHS-Net: A Deep learning approach for hierarchical segmentation of
COVID-19 infected CT images [0.6091702876917281]
新型重症急性呼吸器症候群(SARS-CoV-2)のパンデミックが世界中で広がっています。
CT(Computerd Tomography)、X線などの医療画像は、臓器の構造に関する優れた詳細を提示することにより、患者の診断に重要な役割を果たします。
ディープラーニング技術は、新型コロナウイルスなどの疾患やウイルスの迅速な診断を支援するために、そのようなスキャンを分析する強みを示しています。
論文 参考訳（メタデータ） (2020-12-13T15:02:05Z) - 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) - 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) - Residual Attention U-Net for Automated Multi-Class Segmentation of
COVID-19 Chest CT Images [46.844349956057776]
新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。
新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。
複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-12T16:24:59Z) - COVID_MTNet: COVID-19 Detection with Multi-Task Deep Learning Approaches [5.578413517654704]
本稿では,多タスク深層学習(DL)手法を用いて,新型コロナウイルス患者を迅速かつ効率的に識別する方法を提案する。
提案手法について,X線およびCTスキャン画像を用いて検討した。
検出モデルは、X線画像から約84.67%の精度と、CT画像の98.78%の精度を示している。
論文 参考訳（メタデータ） (2020-04-07T23:19:59Z)
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。