論文の概要: CT Image Segmentation for Inflamed and Fibrotic Lungs Using a
Multi-Resolution Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2010.08582v2
- Date: Thu, 14 Jan 2021 21:09:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 20:57:38.975103
- Title: CT Image Segmentation for Inflamed and Fibrotic Lungs Using a
Multi-Resolution Convolutional Neural Network
- Title（参考訳）: 多解像度畳み込みニューラルネットワークを用いた炎症・線維性肺のCT画像分割
- Authors: Sarah E. Gerard and Jacob Herrmann and Yi Xin and Kevin T. Martin and
Emanuele Rezoagli and Davide Ippolito and Giacomo Bellani and Maurizio Cereda
and Junfeng Guo and Eric A. Hoffman and David W. Kaczka and Joseph M.
Reinhardt
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.177921466996229
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The purpose of this study was to develop a fully-automated segmentation
algorithm, robust to various density enhancing lung abnormalities, to
facilitate rapid quantitative analysis of computed tomography images. A
polymorphic training approach is proposed, in which both specifically labeled
left and right lungs of humans with COPD, and nonspecifically labeled lungs of
animals with acute lung injury, were incorporated into training a single neural
network. The resulting network is intended for predicting left and right lung
regions in humans with or without diffuse opacification and consolidation.
Performance of the proposed lung segmentation algorithm was extensively
evaluated on CT scans of subjects with COPD, confirmed COVID-19, lung cancer,
and IPF, despite no labeled training data of the latter three diseases. Lobar
segmentations were obtained using the left and right lung segmentation as input
to the LobeNet algorithm. Regional lobar analysis was performed using
hierarchical clustering to identify radiographic subtypes of COVID-19. The
proposed lung segmentation algorithm was quantitatively evaluated using
semi-automated and manually-corrected segmentations in 87 COVID-19 CT images,
achieving an average symmetric surface distance of $0.495 \pm 0.309$ mm and
Dice coefficient of $0.985 \pm 0.011$. Hierarchical clustering identified four
radiographical phenotypes of COVID-19 based on lobar fractions of consolidated
and poorly aerated tissue. Lower left and lower right lobes were consistently
more afflicted with poor aeration and consolidation. However, the most severe
cases demonstrated involvement of all lobes. The polymorphic training approach
was able to accurately segment COVID-19 cases with diffuse consolidation
without requiring COVID-19 cases for training.
- Abstract（参考訳）: 本研究の目的は,肺病変の種々の密度に頑健な完全自動分節法を開発し,ct画像の迅速定量化を容易にすることであった。
copdのあるヒトの左右の肺に特異的にラベルを付け、急性肺損傷のある動物の非特異的にラベル付けされた肺を単一のニューラルネットワークのトレーニングに組み込む多型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。
提案した肺分画アルゴリズムの性能は, COPD, COVID-19, 肺癌, IPFの3つの疾患のトレーニングデータにラベルが付けられていないにもかかわらず, CTスキャンで広く評価された。
LobeNetアルゴリズムの入力として,左肺,右肺のセグメンテーションを用いてローバーセグメンテーションを得た。
地域ローバー分析を階層的クラスタリングを用いて行い,covid-19のx線サブタイプを同定した。
提案する肺分画アルゴリズムは, 87例のct画像において, 半自動的および手作業による分節化を用いて定量的に評価され, 平均対称表面距離0.495 \pm 0.309$mm, dice係数0.985 \pm 0.011$となった。
階層的クラスタリングにより、統合組織と低酸素組織のローバー分画に基づいて、covid-19の放射線学的表現型を4つ同定した。
右下葉と左下葉は, 通気性が低く, 統合性も良好であった。
しかし,最も重篤な症例は全葉の関与を示した。
ポリモーフィックトレーニングのアプローチは、新型コロナウイルスの患者を訓練に必要とせず、拡散凝縮で正確にセグメンテーションすることができた。
関連論文リスト
- An Efficient and Robust Method for Chest X-Ray Rib Suppression that
Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。
従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。
本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。
2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
論文 参考訳（メタデータ） (2023-02-19T23:47:02Z) - 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) - 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) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳（メタデータ） (2021-05-06T10:21:28Z) - A patient-specific approach for quantitative and automatic analysis of
computed tomography images in lung disease: application to COVID-19 patients [0.0]
肺CT画像の定量的指標は、しばしば生理学との明確な関係なしに、広く使用されている。
本研究は,CT画像における肺の容積評価のための患者非依存モデルを提案する。
論文 参考訳（メタデータ） (2021-01-12T12:02:01Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - Deep Learning-based Four-region Lung Segmentation in Chest Radiography
for COVID-19 Diagnosis [9.117659716068083]
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。
論文 参考訳（メタデータ） (2020-09-26T14:32:13Z) - Comparative study of deep learning methods for the automatic
segmentation of lung, lesion and lesion type in CT scans of COVID-19 patients [6.890747388531539]
新型コロナウイルスの迅速かつ正確な定量化にディープラーニングを使うことを提案する研究が増えている。
主な課題は、新型コロナウイルス(COVID-19)感染者の胸部CT検査における肺と肺の病変の自動分離である。
オープンソースと社内開発の両方のアルゴリズムを含む,マルチセンタデータセットを用いた12のディープラーニングアルゴリズムを比較した。
論文 参考訳（メタデータ） (2020-07-29T10:40:39Z) - 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)
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。