論文の概要: Deep Learning-based Four-region Lung Segmentation in Chest Radiography
for COVID-19 Diagnosis
- arxiv url: http://arxiv.org/abs/2009.12610v1
- Date: Sat, 26 Sep 2020 14:32:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 08:45:38.084895
- Title: Deep Learning-based Four-region Lung Segmentation in Chest Radiography
for COVID-19 Diagnosis
- Title（参考訳）: 胸部X線診断における深層学習による4領域肺分画
- Authors: Young-Gon Kim, Kyungsang Kim, Dufan Wu, Hui Ren, Won Young Tak, Soo
Young Park, Yu Rim Lee, Min Kyu Kang, Jung Gil Park, Byung Seok Kim, Woo Jin
Chung, Mannudeep K. Kalra, Quanzheng Li
- Abstract要約: ウイルス19肺炎の正確な定量化を支援するための4つの領域肺分画法を提案する。
CXRの深層学習モデルでは、COVID-19肺炎患者の肺不透明度の局所分布を正確に分類し定量化することができる。
- 参考スコア（独自算出の注目度）: 9.117659716068083
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose. Imaging plays an important role in assessing severity of COVID 19
pneumonia. However, semantic interpretation of chest radiography (CXR) findings
does not include quantitative description of radiographic opacities. Most
current AI assisted CXR image analysis framework do not quantify for regional
variations of disease. To address these, we proposed a four region lung
segmentation method to assist accurate quantification of COVID 19 pneumonia.
Methods. A segmentation model to separate left and right lung is firstly
applied, and then a carina and left hilum detection network is used, which are
the clinical landmarks to separate the upper and lower lungs. To improve the
segmentation performance of COVID 19 images, ensemble strategy incorporating
five models is exploited. Using each region, we evaluated the clinical
relevance of the proposed method with the Radiographic Assessment of the
Quality of Lung Edema (RALE). Results. The proposed ensemble strategy showed
dice score of 0.900, which is significantly higher than conventional methods
(0.854 0.889). Mean intensities of segmented four regions indicate positive
correlation to the extent and density scores of pulmonary opacities under the
RALE framework. Conclusion. A deep learning based model in CXR can accurately
segment and quantify regional distribution of pulmonary opacities in patients
with COVID 19 pneumonia.
- Abstract（参考訳）: 目的
画像診断は、covid-19肺炎の重症度を評価する上で重要な役割を果たす。
しかし,胸部X線写真(CXR)の意味的解釈には,X線学的不透明度の定量的な記述は含まれていない。
現在のAI支援CXR画像分析フレームワークのほとんどは、病気の局所的な変化を定量化していない。
そこで本研究では,covid-19肺炎の定量化を支援する4領域肺分画法を提案する。
メソッド。
左肺と右肺を分離するセグメンテーションモデルがまず適用され、次いで上肺と下肺を分離する臨床的ランドマークであるカリナと左胸肺を検知するネットワークが使用される。
新型コロナウイルス19画像のセグメンテーション性能を向上させるため、5つのモデルを組み合わせたアンサンブル戦略を取り入れた。
肺浮腫(rale, 肺浮腫)の質をx線学的に評価し, 提案法の有用性について検討した。
結果だ
提案したアンサンブル戦略は,従来の方法よりも有意に高い0.900点を示した(0.854 0.889)。
分節4領域の平均強度は,rale系における肺不透明度の範囲と密度スコアに正の相関を示した。
結論だ
CXRの深層学習モデルでは、COVID-19肺炎患者の肺不透明度の局所分布を正確に分類し定量化することができる。
関連論文リスト
- RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。
RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
論文 参考訳（メタデータ） (2022-11-01T07:41:03Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - 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) - CT Image Segmentation for Inflamed and Fibrotic Lungs Using a
Multi-Resolution Convolutional Neural Network [6.177921466996229]
本研究の目的は, 各種密度増強肺異常に対して頑健な完全自動セグメンテーションアルゴリズムを開発することである。
急性肺障害を患うヒトの左肺と右肺に特異的にラベル付けされた肺と非特異的にラベル付けされた肺の両方を1つのニューラルネットワークのトレーニングに組み込んだ多形性訓練手法が提案されている。
結果として生じるネットワークは、ヒトの左右の肺領域を、びまん性オパーシフィケーションと凝縮を伴わずに予測することを目的としている。
論文 参考訳（メタデータ） (2020-10-16T18:25:59Z) - 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) - Segmentation of Pulmonary Opacification in Chest CT Scans of COVID-19
Patients [3.140265238474236]
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。
論文 参考訳（メタデータ） (2020-07-07T17:32:24Z) - 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) - 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) - 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) - Attention U-Net Based Adversarial Architectures for Chest X-ray Lung
Segmentation [0.0]
本稿では,診断パイプラインにおける基礎的,しかし困難な課題である肺分節に対する新しい深層学習手法を提案する。
本手法では, 逆批判モデルとともに, 最先端の完全畳み込みニューラルネットワークを用いる。
これは、患者プロファイルの異なる未確認データセットのCXRイメージによく当てはまり、JSRTデータセットの最終的なDSCRは97.5%に達した。
論文 参考訳（メタデータ） (2020-03-23T14:45:48Z)
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。