論文の概要: Exploiting Shared Knowledge from Non-COVID Lesions for Annotation-Efficient COVID-19 CT Lung Infection Segmentation

• arxiv url: http://arxiv.org/abs/2012.15564v1
• Date: Thu, 31 Dec 2020 11:40:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-17 17:00:03.422903
• Title: Exploiting Shared Knowledge from Non-COVID Lesions for Annotation-Efficient COVID-19 CT Lung Infection Segmentation
• Title（参考訳）: 非共発性病変の共有知識をアノテーション効率のよいcovid-19 ct肺感染分画に活用する
• Authors: Yichi Zhang, Qingcheng Liao, Lin Yuan, He Zhu, Jiezhen Xing, Jicong Zhang
• Abstract要約: 新型コロナウイルスの肺感染分画における相関駆動型協調学習モデルを提案する。 我々は、抽出された特徴間の関係の整合性を調整するために、COVIDと非COVIDの病変間の共通知識を利用する。 本手法は,高品質なアノテーションが不足している既存手法と比較して,高いセグメンテーション性能を実現する。
• 参考スコア（独自算出の注目度）: 10.667692828593125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The novel Coronavirus disease (COVID-19) is a highly contagious virus and has spread all over the world, posing an extremely serious threat to all countries. Automatic lung infection segmentation from computed tomography (CT) plays an important role in the quantitative analysis of COVID-19. However, the major challenge lies in the inadequacy of annotated COVID-19 datasets. Currently, there are several public non-COVID lung lesion segmentation datasets, providing the potential for generalizing useful information to the related COVID-19 segmentation task. In this paper, we propose a novel relation-driven collaborative learning model for annotation-efficient COVID-19 CT lung infection segmentation. The network consists of encoders with the same architecture and a shared decoder. The general encoder is adopted to capture general lung lesion features based on multiple non-COVID lesions, while the target encoder is adopted to focus on task-specific features of COVID-19 infections. Features extracted from the two parallel encoders are concatenated for the subsequent decoder part. To thoroughly exploit shared knowledge between COVID and non-COVID lesions, we develop a collaborative learning scheme to regularize the relation consistency between extracted features of given input. Other than existing consistency-based methods that simply enforce the consistency of individual predictions, our method enforces the consistency of feature relation among samples, encouraging the model to explore semantic information from both COVID-19 and non-COVID cases. Extensive experiments on one public COVID-19 dataset and two public non-COVID datasets show that our method achieves superior segmentation performance compared with existing methods in the absence of sufficient high-quality COVID-19 annotations.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)は非常に伝染性が高く、世界中に広がり、すべての国に深刻な脅威となっている。 コンピュータ断層撮影(CT)による肺感染症の自動分離は、COVID-19の定量的解析において重要な役割を担っている。 しかし、大きな課題は、注釈付きcovid-19データセットの不十分さにある。 現在、いくつかのパブリックな非新型コロナウイルス肺病変セグメンテーションデータセットがあり、関連するCOVID-19セグメンテーションタスクに有用な情報を一般化する可能性がある。 本稿では,アノテーション効率の高いct肺感染分画のための,新しい関係駆動協調学習モデルを提案する。 ネットワークは、同じアーキテクチャのエンコーダと共有デコーダで構成される。 一般的なエンコーダは、複数の非ウイルス病変に基づいて一般的な肺病変の特徴を捉えるために採用され、ターゲットエンコーダは、COVID-19感染症のタスク固有の特徴に焦点を当てる。 次に、2つの並列エンコーダから抽出された特徴をデコーダ部に連結する。 新型コロナウイルスと非ウイルス病変の共通知識を徹底的に活用するために,抽出した入力の特徴間の関係の整合性を規則化する協調学習手法を開発した。 個々の予測の一貫性を単純に強制する既存の一貫性に基づく方法以外に、本手法はサンプル間の特徴関係の一貫性を強制し、covid-19と非共有のケースからセマンティックな情報を探索するようモデルに促す。 1つの公開 COVID-19 データセットと2つの公開 非 COVID データセットに対する大規模な実験により、我々の手法は、十分な高品質 COVID-19 アノテーションが欠如している既存の方法と比較して、より良いセグメンテーション性能を達成することが示された。

関連論文リスト

• A Deep Ensemble Learning Approach to Lung CT Segmentation for COVID-19 Severity Assessment [0.5512295869673147]
  新型コロナウイルス患者の肺CTの分類的セグメンテーションに対する新しい深層学習手法を提案する。 病理組織は正常な肺組織,非肺領域,および2つの異なる,しかし視覚的に類似した,病理組織に区分した。 提案するフレームワークは,3つのCOVID-19データセットの競合結果と優れた一般化機能を実現する。
  論文  参考訳（メタデータ） (2022-07-05T21:28:52Z)
• 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)
• 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)
• 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)
• COVID-FACT: A Fully-Automated Capsule Network-based Framework for Identification of COVID-19 Cases from Chest CT scans [29.327290778950324]
  我々は「COVID-FACT」と呼ばれる新型コロナウイルス陽性症例の同定のための2段階完全自動化フレームワークを提案する。 COVID-FACTは感染したスライスを検出し、社内CTスキャンデータセットを使用して陽性のCOVID-19患者を特定する。 この実験に基づいて、COVID-FACTは90.82%の精度、94.55%の感度、86.04%の特異度、および0.98のエリアアンダー・ザ・カーブ(AUC)を達成できるが、監督やアノテーションははるかに少ない。
  論文  参考訳（メタデータ） (2020-10-30T03:30:22Z)
• Does Non-COVID19 Lung Lesion Help? Investigating Transferability in COVID-19 CT Image Segmentation [34.55146751502702]
  コロナウイルス感染症2019(COVID-19)は、世界中に広がる非常に伝染性のウイルスである。 深層学習は、CT画像からのCOVID-19の検出とセグメンテーションを支援する効果的な手法として採用されている。 新型コロナウイルスの感染領域の分断に様々な非19の肺病変が寄与するかどうかは不明だ。
  論文  参考訳（メタデータ） (2020-06-23T04:40:51Z)
• 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-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
  新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。 近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。 本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
  論文  参考訳（メタデータ） (2020-04-30T03:13:40Z)
• 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)
• COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images [93.0013343535411]
  我々は,胸部X線(CXR)画像から新型コロナウイルスの症例を検出するための,深層畳み込みニューラルネットワーク設計であるCOVID-Netを紹介した。 著者たちの知る限りでは、COVID-NetはCXRイメージからCOVID-19を検出するための、最初のオープンソースネットワーク設計の1つである。 また,13,870人の患者を対象に,13,975個のCXR画像からなるオープンアクセスベンチマークデータセットであるCOVIDxも導入した。
  論文  参考訳（メタデータ） (2020-03-22T12:26:36Z)

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。