論文の概要: Longitudinal Quantitative Assessment of COVID-19 Infection Progression from Chest CTs

• arxiv url: http://arxiv.org/abs/2103.07240v1
• Date: Fri, 12 Mar 2021 12:35:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 13:13:18.573663
• Title: Longitudinal Quantitative Assessment of COVID-19 Infection Progression from Chest CTs
• Title（参考訳）: 胸部CTによるCOVID-19感染進展の経時的評価
• Authors: Seong Tae Kim, Leili Goli, Magdalini Paschali, Ashkan Khakzar, Matthias Keicher, Tobias Czempiel, Egon Burian, Rickmer Braren, Nassir Navab, Thomas Wendler
• Abstract要約: ボクセルレベルの感染を識別し、新型コロナウイルスの進行を可視化する新しい枠組みを提案する。 特に,参照スキャン情報を利用した縦断セグメンテーションネットワークを考案し,疾患識別の性能を向上させる。
• 参考スコア（独自算出の注目度）: 36.71379097297172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chest computed tomography (CT) has played an essential diagnostic role in assessing patients with COVID-19 by showing disease-specific image features such as ground-glass opacity and consolidation. Image segmentation methods have proven to help quantify the disease burden and even help predict the outcome. The availability of longitudinal CT series may also result in an efficient and effective method to reliably assess the progression of COVID-19, monitor the healing process and the response to different therapeutic strategies. In this paper, we propose a new framework to identify infection at a voxel level (identification of healthy lung, consolidation, and ground-glass opacity) and visualize the progression of COVID-19 using sequential low-dose non-contrast CT scans. In particular, we devise a longitudinal segmentation network that utilizes the reference scan information to improve the performance of disease identification. Experimental results on a clinical longitudinal dataset collected in our institution show the effectiveness of the proposed method compared to the static deep neural networks for disease quantification.
• Abstract（参考訳）: 胸部CT(Chest Computed Tomography)は、グラウンドグラス不透明度やコンソリデーションなどの疾患特異的な画像特徴を示すことにより、COVID-19患者の診断に不可欠な役割を担っている。 画像分割方法は、病気の負担を定量化し、結果を予測するのに役立つことが証明されています。 縦型ctシリーズの有用性は、covid-19の進行、治癒過程の監視、治療戦略の異なる反応を確実に評価する効率的かつ効果的な方法をもたらす可能性がある。 本稿では, ボクセルレベル(健常肺の同定, 固形化, グラウンドグラスの透明度)での感染を同定し, 低用量非造影CTスキャンを用いて, COVID-19の進行を可視化する新しい枠組みを提案する。 特に,参照スキャン情報を利用した縦断セグメンテーションネットワークを考案し,疾患識別の性能を向上させる。 本施設で収集した臨床縦断データセットの実験結果から, 静的深部神経ネットワークを用いた疾患定量法との比較検討を行った。

関連論文リスト

• Enhancing COVID-19 Severity Analysis through Ensemble Methods [13.792760290422185]
  本稿では、新型コロナウイルス患者の感染症領域を抽出するためのドメイン知識に基づくパイプラインを提案する。 感染の重症度は、3つの機械学習モデルのアンサンブルを使用して異なるカテゴリに分類される。 提案システムは,AI-Enabled Medical Image Analysis WorkshopとCOVID-19診断コンペティションの検証データセットを用いて評価した。
  論文  参考訳（メタデータ） (2023-03-13T13:59:47Z)
• 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)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• COVID-Net CT-S: 3D Convolutional Neural Network Architectures for COVID-19 Severity Assessment using Chest CT Images [85.00197722241262]
  我々は、新型コロナウイルス感染による肺疾患の重症度を予測するための深層畳み込みニューラルネットワークであるCOVID-Net CT-Sを紹介した。 3D残像設計を利用して、新型コロナウイルスの肺疾患の重症度を特徴付ける容積的視覚指標を学習する。
  論文  参考訳（メタデータ） (2021-05-04T04:44:41Z)
• COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
  我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。 また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
  論文  参考訳（メタデータ） (2020-09-08T15:49:55Z)
• 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)
• 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)
• COVID_MTNet: COVID-19 Detection with Multi-Task Deep Learning Approaches [5.578413517654704]
  本稿では,多タスク深層学習(DL)手法を用いて,新型コロナウイルス患者を迅速かつ効率的に識別する方法を提案する。 提案手法について,X線およびCTスキャン画像を用いて検討した。 検出モデルは、X線画像から約84.67%の精度と、CT画像の98.78%の精度を示している。
  論文  参考訳（メタデータ） (2020-04-07T23:19:59Z)

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。