論文の概要: A patient-specific approach for quantitative and automatic analysis of
computed tomography images in lung disease: application to COVID-19 patients
- arxiv url: http://arxiv.org/abs/2101.04430v1
- Date: Tue, 12 Jan 2021 12:02:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 01:39:08.581224
- Title: A patient-specific approach for quantitative and automatic analysis of
computed tomography images in lung disease: application to COVID-19 patients
- Title（参考訳）: 肺疾患におけるct画像の定量および自動解析のための患者別アプローチ--covid-19患者への応用
- Authors: L. Berta, C. De Mattia, F. Rizzetto, S. Carrazza, P.E. Colombo, R.
Fumagalli, T. Langer, D. Lizio, A. Vanzulli, A. Torresin
- Abstract要約: 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。
- 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: Quantitative metrics in lung computed tomography (CT) images have been widely
used, often without a clear connection with physiology. This work proposes a
patient-independent model for the estimation of well-aerated volume of lungs in
CT images (WAVE). A Gaussian fit, with mean (Mu.f) and width (Sigma.f) values,
was applied to the lower CT histogram data points of the lung to provide the
estimation of the well-aerated lung volume (WAVE.f). Independence from CT
reconstruction parameters and respiratory cycle was analysed using healthy lung
CT images and 4DCT acquisitions. The Gaussian metrics and first order radiomic
features calculated for a third cohort of COVID-19 patients were compared with
those relative to healthy lungs. Each lung was further segmented in 24
subregions and a new biomarker derived from Gaussian fit parameter Mu.f was
proposed to represent the local density changes. WAVE.f resulted independent
from the respiratory motion in 80% of the cases. Differences of 1%, 2% and up
to 14% resulted comparing a moderate iterative strength and FBP algorithm, 1
and 3 mm of slice thickness and different reconstruction kernel. Healthy
subjects were significantly different from COVID-19 patients for all the
metrics calculated. Graphical representation of the local biomarker provides
spatial and quantitative information in a single 2D picture. Unlike other
metrics based on fixed histogram thresholds, this model is able to consider the
inter-and intra-subject variability. In addition, it defines a local biomarker
to quantify the severity of the disease, independently of the observer.
- Abstract（参考訳）: 肺CT画像の定量的な計測は広く用いられており、しばしば生理学との明確なつながりがない。
本研究は,CT画像(WAVE)における肺の高度評価のための患者非依存モデルを提案する。
肺の下部CTヒストグラムデータポイントに平均 (Mu.f) と幅 (Sigma.f) のガウスフィットを適用し, よく評価された肺体積 (WAVE.f) を推定した。
肺CT画像と4DCT画像を用いて,CT再建パラメータと呼吸周期の独立性を解析した。
第3のコホートで算出されたガウス測定値と第1の放射線学的特徴を健康な肺と比較した。
各肺はさらに24領域に区分され, 局所密度変化を表すため, ガウスフィットパラメータmu.f由来の新しいバイオマーカーが提案されている。
WAVE.fは80%の症例で呼吸運動から独立していた。
1%, 2%, 最大14%の違いは, 適度な反復強度とFBPアルゴリズム, 1mm, 3mmのスライス厚, 異なる再構成カーネルを比較した。
健康な被験者は、計算されたすべての指標について、COVID-19患者と大きく異なっていた。
局所バイオマーカーのグラフィカル表現は、単一の2次元画像において空間的および定量的情報を提供する。
固定ヒストグラム閾値に基づく他の指標とは異なり、このモデルは物体間および物体内変動性を考えることができる。
さらに、観察者とは独立に、病気の重症度を定量化するための局所バイオマーカーを定義する。
関連論文リスト
- COVID-VR: A Deep Learning COVID-19 Classification Model Using
Volume-Rendered Computer Tomography [0.0]
COVID-VRは、複数の角度から捉えた肺の容積レンダリング画像に基づいて、肺疾患を分類するための新しいアプローチである。
本稿では,複数の角度から肺の容積レンダリング画像に基づいて肺疾患を分類する新しいアプローチであるCOVID-VRを紹介する。
論文 参考訳（メタデータ） (2023-08-02T21:13:10Z) - Validated respiratory drug deposition predictions from 2D and 3D medical
images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。
2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文 参考訳（メタデータ） (2023-03-02T07:47:07Z) - A framework for quantitative analysis of Computed Tomography images of
viral pneumonitis: radiomic features in COVID and non-COVID patients [0.0]
1028個の胸部CT像を肺抽出のために自動的に分離した。
ガウスモデルを用いて, 肺の正常な部位と重症部位を定量的に表す指標(QM)を算出した。
両側肺から第1,第2次放射線学的特徴(RF)を抽出した。
新型コロナウイルスと非ウイルス性肺炎を分類する人工知能ベースの4つのモデルを開発した。
論文 参考訳（メタデータ） (2021-09-28T15:22:24Z) - 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) - Automated lung segmentation from CT images of normal and COVID-19
pneumonia patients [0.0]
本研究は, 正常およびCOVID-19患者のCT画像から肺分画の深層学習モデルの性能について検討した。
残存ニューラルネットワークの訓練には、胸部CT画像と対応する肺マスク1200例が使用された。
論文 参考訳（メタデータ） (2021-04-05T17:46:12Z) - 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) - 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) - 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) - 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) - 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) - Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using
Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。
ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。
新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文 参考訳（メタデータ） (2020-03-26T15:49:32Z)
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。