論文の概要: Automatic Deep Learning System for COVID-19 Infection Quantification in chest CT

• arxiv url: http://arxiv.org/abs/2010.01982v1
• Date: Thu, 1 Oct 2020 21:05:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 08:48:33.202057
• Title: Automatic Deep Learning System for COVID-19 Infection Quantification in chest CT
• Title（参考訳）: 胸部CTにおけるCOVID-19感染定量化のための深層学習システム
• Authors: Omar Ibrahim Alirr
• Abstract要約: 本稿では、新型コロナウイルス感染症領域のセグメンテーションのための自動深層学習システムを提案する。 提案するFCNは,連結スキップ接続を有する残差ブロックを改良したU-netアーキテクチャを用いて実装されている。 提案手法の一般化と有効性を示すため,多種多様なデータセットから抽出した多数の2次元CTスライスを用いて訓練・試験を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coronavirus Disease spread globally and infected millions of people quickly, causing high pressure on the health-system facilities. PCR screening is the adopted diagnostic testing method for COVID-19 detection. However, PCR is criticized due its low sensitivity ratios, also, it is time-consuming and manual complicated process. CT imaging proved its ability to detect the disease even for asymptotic patients, which make it a trustworthy alternative for PCR. In addition, the appearance of COVID-19 infections in CT slices, offers high potential to support in disease evolution monitoring using automated infection segmentation methods. However, COVID-19 infection areas include high variations in term of size, shape, contrast and intensity homogeneity, which impose a big challenge on segmentation process. To address these challenges, this paper proposed an automatic deep learning system for COVID-19 infection areas segmentation. The system include different steps to enhance and improve infection areas appearance in the CT slices so they can be learned efficiently using the deep network. The system start prepare the region of interest by segmenting the lung organ, which then undergo edge enhancing diffusion filtering (EED) to improve the infection areas contrast and intensity homogeneity. The proposed FCN is implemented using U-net architecture with modified residual block with concatenation skip connection. The block improves the learning of gradient values by forwarding the infection area features through the network. To demonstrate the generalization and effectiveness of the proposed system, it is trained and tested using many 2D CT slices extracted from diverse datasets from different sources. The proposed system is evaluated using different measures and achieved dice overlapping score of 0.961 and 0.780 for lung and infection areas segmentation, respectively.
• Abstract（参考訳）: コロナウイルスは世界中に広まり、何百万人もの人々が急速に感染し、医療システムへの圧力が高まった。 PCRスクリーニングは、新型コロナウイルス検出のための診断検査法として採用されている。 しかし、PCRは感度の低いことや、時間と手作業による複雑なプロセスであることから批判されている。 CT画像検査は、無症候性患者でもこの疾患を検出できることを証明し、PCRの信頼できる代替手段となった。 さらに、CTスライスに感染する新型コロナウイルスの出現は、自動感染セグメンテーション法を用いた疾患の進化モニタリングを支援する可能性が高い。 しかし、新型コロナウイルス感染症の領域には、サイズ、形状、コントラスト、強度の均質性の点で大きなバリエーションがあり、セグメンテーションプロセスに大きな課題が生じる。 これらの課題に対処するため,本研究では,COVID-19感染領域セグメンテーションのための自動深層学習システムを提案する。 このシステムには、ctスライスの感染領域の出現を増強し改善するための異なるステップが含まれており、ディープネットワークを用いて効率的に学習することができる。 システムは、肺臓器を分画し、エッジ拡張拡散濾過(EED)を行い、感染領域のコントラストと強度の均一性を改善することにより、関心領域を作成する。 提案するFCNは,連結スキップ接続を有する残差ブロックを改良したU-netアーキテクチャを用いて実装されている。 このブロックは、感染領域の特徴をネットワークを通して転送することで、勾配値の学習を改善する。 提案手法の一般化と有効性を示すため,様々な音源から抽出した多数の2次元CTスライスを用いて,実験・評価を行った。 提案システムは, 肺と感染症領域の区分において, それぞれ0.961点と0.780点の重なりスコアを, 異なる尺度を用いて評価した。

関連論文リスト

• Mixed Attention with Deep Supervision for Delineation of COVID Infection in Lung CT [0.24366811507669117]
  新しい深層学習アーキテクチャであるMiADS-Net(Mixed Attention Deeply Supervised Network)を提案する。 MiADS-Netは、COVID-19病変のセグメンテーションタスクにおいて、最先端のアーキテクチャよりも優れています。
  論文  参考訳（メタデータ） (2023-01-17T15:36:27Z)
• COVID-19 Detection and Analysis From Lung CT Images using Novel Channel Boosted CNNs [0.0]
  2相ディープ畳み込みニューラルネットワーク(CNN)に基づく診断システムを提案し、微小な異常を検出し、COVID-19感染を分析する。 提案した診断システムは、精度が98.21 %、Fスコアが98.24%、Dice similarityが96.40 %、IOUが98.85 %である。
  論文  参考訳（メタデータ） (2022-09-22T12:32:16Z)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• 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)
• Segmentation of Lungs COVID Infected Regions by Attention Mechanism and Synthetic Data [10.457311689444769]
  本研究は,感染した肺領域をCT画像に分割する手法を提案する。 注意機構を備えた畳み込みニューラルネットワークを用いて、複雑なパターンを持つ感染領域を検出する。 生成敵対ネットワークは、利用可能な小さなデータセットのデータの増大及び拡張のための合成画像を生成する。
  論文  参考訳（メタデータ） (2021-08-19T20:15:47Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• 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)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)
• COVID-19 Chest CT Image Segmentation -- A Deep Convolutional Neural Network Solution [34.08284037107891]
  我々は,胸部CT画像と新型コロナウイルス感染のセグメンテーションに適した,新しい深部畳み込みニューラルネットワークを構築した。 感染した肺の境界線はグローバルな強度を調節することで高められるという観察にインスパイアされ,提案した深部CNNでは特徴変化ブロックを導入する。 提案したFVブロックは,多種多様なケースに対して効果的かつ適応的に特徴表現の能力を高めることができる。
  論文  参考訳（メタデータ） (2020-04-23T06:09:16Z)
• 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)

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。