論文の概要: D2A U-Net: Automatic Segmentation of COVID-19 Lesions from CT Slices
with Dilated Convolution and Dual Attention Mechanism
- arxiv url: http://arxiv.org/abs/2102.05210v1
- Date: Wed, 10 Feb 2021 01:21:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-11 23:38:16.069739
- Title: D2A U-Net: Automatic Segmentation of COVID-19 Lesions from CT Slices
with Dilated Convolution and Dual Attention Mechanism
- Title（参考訳）: D2A U-Net:拡張畳み込みと二重注意機構を有するCTスライスからのCOVID-19病変の自動分割
- Authors: Xiangyu Zhao, Peng Zhang, Fan Song, Guangda Fan, Yangyang Sun, Yujia
Wang, Zheyuan Tian, Luqi Zhang, Guanglei Zhang
- Abstract要約: 拡張型コンボリューションと新しいデュアルアテンション機構に基づくCTスライスにおけるCOVID-19病変セグメンテーションのための拡張型デュアルアテンションU-Net(D2A U-Net)を提案する。
以上の結果から,拡張畳み込みと二重注意機構を導入することにより,偽陽性の数が大幅に減少することが示唆された。
- 参考スコア（独自算出の注目度）: 9.84838467721235
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coronavirus Disease 2019 (COVID-19) has caused great casualties and becomes
almost the most urgent public health events worldwide. Computed tomography (CT)
is a significant screening tool for COVID-19 infection, and automated
segmentation of lung infection in COVID-19 CT images will greatly assist
diagnosis and health care of patients. However, accurate and automatic
segmentation of COVID-19 lung infections remains to be challenging. In this
paper we propose a dilated dual attention U-Net (D2A U-Net) for COVID-19 lesion
segmentation in CT slices based on dilated convolution and a novel dual
attention mechanism to address the issues above. We introduce a dilated
convolution module in model decoder to achieve large receptive field, which
refines decoding process and contributes to segmentation accuracy. Also, we
present a dual attention mechanism composed of two attention modules which are
inserted to skip connection and model decoder respectively. The dual attention
mechanism is utilized to refine feature maps and reduce semantic gap between
different levels of the model. The proposed method has been evaluated on
open-source dataset and outperforms cutting edges methods in semantic
segmentation. Our proposed D2A U-Net with pretrained encoder achieves a Dice
score of 0.7298 and recall score of 0.7071. Besides, we also build a simplified
D2A U-Net without pretrained encoder to provide a fair comparison with other
models trained from scratch, which still outperforms popular U-Net family
models with a Dice score of 0.7047 and recall score of 0.6626. Our experiment
results have shown that by introducing dilated convolution and dual attention
mechanism, the number of false positives is significantly reduced, which
improves sensitivity to COVID-19 lesions and subsequently brings significant
increase to Dice score.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)は大きな被害をもたらし、世界中で最も緊急な公衆衛生イベントになっています。
ct(ct)は、新型コロナウイルス感染の重要なスクリーニングツールであり、ct画像における肺感染症の自動分画は、患者の診断と健康管理に大いに役立つ。
しかし、新型コロナウイルス(COVID-19)の肺感染症の正確かつ自動的な分節化は依然として困難である。
本論文では、拡張畳み込みに基づくCTスライスにおけるCOVID-19病変分割のための拡張二重注意U-Net(D2A U-Net)と、上記の問題に対処するための新しい二重注意機構を提案する。
モデルデコーダに拡張畳み込みモジュールを導入し,デコード処理を洗練し,セグメンテーション精度に寄与する大きな受容場を実現する。
また、接続をスキップするために挿入される2つの注意モジュールとモデルデコーダで構成される2つの注意メカニズムを提示する。
デュアルアテンション機構は特徴マップを洗練し、モデルの異なるレベル間のセマンティックギャップを低減するために使用される。
提案手法は, オープンソースのデータセット上で評価され, セマンティクスセグメンテーションにおける切断エッジ法を上回っている。
提案するプリトレーニングエンコーダ付きd2a u-netは,0.7298のサイススコアと0.7071のリコールスコアを達成している。
さらに、プリトレーニングされたエンコーダを使わずに単純化されたD2A U-Netを構築し、スクラッチからトレーニングした他のモデルと比較し、Diceスコアが0.7047、リコールスコアが0.6626で人気の高いU-Netファミリーモデルを上回っています。
実験の結果,拡張畳み込みと二重注意機構の導入により,偽陽性の数が有意に減少し,covid-19病変に対する感受性が向上し,diceスコアが大幅に向上することが示された。
関連論文リスト
- EDAC: Efficient Deployment of Audio Classification Models For COVID-19
Detection [0.0]
新型コロナウイルスの世界的な感染拡大は、公衆衛生や世界経済に深刻な影響を及ぼした。
新型コロナウイルスを検出するために、さまざまな研究者が機械学習手法を利用した。
このソリューションは、CTスキャンや粗い音声信号などの様々な入力機能と、ディープニューラルネットワークアーキテクチャから生じる最先端の結果を活用する。
この問題に対処するため、私たちはまず、新型コロナウイルスを検出するためにうっ血録音を使用する2つのモデルを再現しました。
論文 参考訳（メタデータ） (2023-09-11T10:07:51Z) - AttResDU-Net: Medical Image Segmentation Using Attention-based Residual
Double U-Net [0.0]
本稿では,既存の医用画像セグメンテーションネットワークを改善したアテンションベース残留Double U-Netアーキテクチャ(AttResDU-Net)を提案する。
CVC clinic-DB、ISIC 2018、2018 Data Science Bowlの3つのデータセットで実験を行い、それぞれ94.35%、91.68%、92.45%のDice Coefficientスコアを得た。
論文 参考訳（メタデータ） (2023-06-25T14:28:08Z) - Dual Multi-scale Mean Teacher Network for Semi-supervised Infection
Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。
現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。
既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文 参考訳（メタデータ） (2022-11-10T13:11:21Z) - 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) - COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19
from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。
説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。
結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
論文 参考訳（メタデータ） (2021-01-19T03:04:09Z) - Exploiting Shared Knowledge from Non-COVID Lesions for
Annotation-Efficient COVID-19 CT Lung Infection Segmentation [10.667692828593125]
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。
論文 参考訳（メタデータ） (2020-12-31T11:40:29Z) - 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) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - Automated Chest CT Image Segmentation of COVID-19 Lung Infection based
on 3D U-Net [0.0]
新型コロナウイルス(COVID-19)は世界中の何十億もの生命に影響を与え、公衆医療に大きな影響を与えている。
新型コロナウイルス感染地域のための革新的な自動セグメンテーションパイプラインを提案する。
本手法は,複数の前処理手法を実行することにより,一意およびランダムな画像パッチをオンザフライで生成する訓練に焦点をあてる。
論文 参考訳（メタデータ） (2020-06-24T17:29:26Z) - 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)
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。