論文の概要: Detection and severity classification of COVID-19 in CT images using
deep learning
- arxiv url: http://arxiv.org/abs/2102.07726v1
- Date: Mon, 15 Feb 2021 18:23:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 15:54:21.257219
- Title: Detection and severity classification of COVID-19 in CT images using
deep learning
- Title(参考訳): 深層学習を用いたCT画像におけるCOVID-19の検出と重症度分類
- Authors: Yazan Qiblawey, Anas Tahir, Muhammad E. H. Chowdhury, Amith Khandakar,
Serkan Kiranyaz, Tawsifur Rahman, Nabil Ibtehaz, Sakib Mahmud, Somaya
Al-Madeed, Farayi Musharavati
- Abstract要約: 肺を分割し、ct画像からcovid-19感染を検出、局所化し、定量化するカスケードシステムを提案する。
提案するシステムは,様々な形状や大きさ,特に小感染領域の感染を確実に局在化することができる。
このシステムは、1,110人の被験者のデータセットを通じて、新型コロナウイルス感染の異なる重症度レベルを区別することができました。
- 参考スコア(独自算出の注目度): 3.8261286462270006
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Since the breakout of coronavirus disease (COVID-19), the computer-aided
diagnosis has become a necessity to prevent the spread of the virus. Detecting
COVID-19 at an early stage is essential to reduce the mortality risk of the
patients. In this study, a cascaded system is proposed to segment the lung,
detect, localize, and quantify COVID-19 infections from computed tomography
(CT) images Furthermore, the system classifies the severity of COVID-19 as
mild, moderate, severe, or critical based on the percentage of infected lungs.
An extensive set of experiments were performed using state-of-the-art deep
Encoder-Decoder Convolutional Neural Networks (ED-CNNs), UNet, and Feature
Pyramid Network (FPN), with different backbone (encoder) structures using the
variants of DenseNet and ResNet. The conducted experiments showed the best
performance for lung region segmentation with Dice Similarity Coefficient (DSC)
of 97.19% and Intersection over Union (IoU) of 95.10% using U-Net model with
the DenseNet 161 encoder. Furthermore, the proposed system achieved an elegant
performance for COVID-19 infection segmentation with a DSC of 94.13% and IoU of
91.85% using the FPN model with the DenseNet201 encoder. The achieved
performance is significantly superior to previous methods for COVID-19 lesion
localization. Besides, the proposed system can reliably localize infection of
various shapes and sizes, especially small infection regions, which are rarely
considered in recent studies. Moreover, the proposed system achieved high
COVID-19 detection performance with 99.64% sensitivity and 98.72% specificity.
Finally, the system was able to discriminate between different severity levels
of COVID-19 infection over a dataset of 1,110 subjects with sensitivity values
of 98.3%, 71.2%, 77.8%, and 100% for mild, moderate, severe, and critical
infections, respectively.
- Abstract(参考訳): 新型コロナウイルス(COVID-19)の流行以来、コンピュータによる診断はウイルスの拡散を防ぐために必要になっています。
患者の死亡リスクを減らすには、早期にCOVID-19を検出することが不可欠です。
本研究では,CT画像から肺の分画,局所化,定量化を行うカスケードシステムを提案するとともに,感染した肺の割合に基づいて,新型コロナウイルスの重症度を軽度,中等度,重度,重要度と分類する。
最先端の深層エンコーダ・デコーダ・畳み込みニューラルネットワーク(ED-CNN)、UNet、Feature Pyramid Network(FPN)を用いて、さまざまなバックボーン(エンコーダ)構造をDenseNetとResNetの変種を用いて、幅広い実験を行った。
実験の結果、DenseNet 161エンコーダを用いたU-Netモデルを用いて、Dice similarity Coefficient (DSC) 97.19%、Intersection over Union (IoU) 95.10%の肺領域セグメンテーションに最適な性能を示した。
さらに,dscの94.13%,iouの91.85%で,drknet201エンコーダを用いたfpnモデルを用いて,covid-19感染セグメンテーションのエレガントな性能を得た。
達成された性能は、以前のCOVID-19病変の局在化方法よりも有意に優れている。
また,本システムでは, 様々な形態や大きさの感染, 特に近年の研究ではまれな小さな感染地域を確実に局在させることができる。
さらに、99.64%の感度と98.72%の特異性で高いCOVID-19検出性能を達成した。
最後に、このシステムは、98.3%、71.2%、77.8%、および100%の感受性値を持つ1,110人の被験者のデータセット上で、軽度、中等度、重度、臨界性感染症の異なる重症度レベルを区別することができました。
関連論文リスト
- 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) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳(メタデータ) (2021-09-18T02:28:01Z) - COVID-19 Infection Localization and Severity Grading from Chest X-ray
Images [3.4546388019336143]
コロナウイルス感染症2019(COVID-19)は、2019年12月に出現して以来、世界中で主要な課題となっている。
我々は、11,956のCOVID-19サンプルを含む33,920のCXRイメージで、最大のベンチマークデータセットを構築しました。
このアプローチは、99%以上の感度と特異性の両方で優れたCOVID-19検出性能を達成しました。
論文 参考訳(メタデータ) (2021-03-14T18:06:06Z) - 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) - 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) - Adaptive Feature Selection Guided Deep Forest for COVID-19
Classification with Chest CT [49.09507792800059]
胸部CT画像に基づくCOVID-19分類のための適応的特徴選択ガイド付き深層林(AFS-DF)を提案する。
AFS-DF on COVID-19 data with 1495 patients of COVID-19 and 1027 patients of community acquired pneumonia (CAP)。
論文 参考訳(メタデータ) (2020-05-07T06:00:02Z) - Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community
Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。
特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。
我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文 参考訳(メタデータ) (2020-05-06T09:56:51Z) - Automatic Detection of Coronavirus Disease (COVID-19) in X-ray and CT
Images: A Machine Learning-Based Approach [2.488407849738164]
新型コロナウイルスは感染性が高く、臨床的に承認された抗ウイルス薬やワクチンが使用できない病原体である。
現在、カナダでは新型コロナウイルスの初診は推奨されていない。
本研究では,新型コロナウイルスの自動分類のためのディープラーニングに基づく特徴抽出フレームワークの比較を行った。
論文 参考訳(メタデータ) (2020-04-22T15:34:45Z) - 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) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳(メタデータ) (2020-04-15T12:30:40Z)
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。