論文の概要: Automated lung segmentation from CT images of normal and COVID-19
pneumonia patients
- arxiv url: http://arxiv.org/abs/2104.02042v1
- Date: Mon, 5 Apr 2021 17:46:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 14:16:22.135397
- Title: Automated lung segmentation from CT images of normal and COVID-19
pneumonia patients
- Title（参考訳）: 正常およびCOVID-19肺炎患者のCT画像からの自動肺分画
- Authors: Faeze Gholamiankhah, Samaneh Mostafapour, Nouraddin Abdi Goushbolagh,
Seyedjafar Shojaerazavi, Parvaneh Layegh, Seyyed Mohammad Tabatabaei, Hossein
Arabi
- Abstract要約: 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。
- 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: Automated semantic image segmentation is an essential step in quantitative
image analysis and disease diagnosis. This study investigates the performance
of a deep learning-based model for lung segmentation from CT images for normal
and COVID-19 patients. Chest CT images and corresponding lung masks of 1200
confirmed COVID-19 cases were used for training a residual neural network. The
reference lung masks were generated through semi-automated/manual segmentation
of the CT images. The performance of the model was evaluated on two distinct
external test datasets including 120 normal and COVID-19 subjects, and the
results of these groups were compared to each other. Different evaluation
metrics such as dice coefficient (DSC), mean absolute error (MAE), relative
mean HU difference, and relative volume difference were calculated to assess
the accuracy of the predicted lung masks. The proposed deep learning method
achieved DSC of 0.980 and 0.971 for normal and COVID-19 subjects, respectively,
demonstrating significant overlap between predicted and reference lung masks.
Moreover, MAEs of 0.037 HU and 0.061 HU, relative mean HU difference of -2.679%
and -4.403%, and relative volume difference of 2.405% and 5.928% were obtained
for normal and COVID-19 subjects, respectively. The comparable performance in
lung segmentation of the normal and COVID-19 patients indicates the accuracy of
the model for the identification of the lung tissue in the presence of the
COVID-19 induced infections (though slightly better performance was observed
for normal patients). The promising results achieved by the proposed deep
learning-based model demonstrated its reliability in COVID-19 lung
segmentation. This prerequisite step would lead to a more efficient and robust
pneumonia lesion analysis.
- Abstract（参考訳）: 自動セマンティックイメージセグメンテーションは定量的画像解析と疾患診断に不可欠なステップである。
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。
残存神経回路の訓練には胸部CT画像と1200件の確認された肺マスクが使用された。
基準肺マスクはct画像の半自動/手動セグメンテーションにより生成した。
120名の健常者, COVID-19患者を含む2つの異なる外部テストデータセットを用いて, モデルの性能評価を行い, 結果を比較した。
予測された肺マスクの精度を評価するために, ダイス係数(DSC), 平均絶対誤差(MAE), 相対平均HU差, 相対体積差などの異なる評価指標を算出した。
提案した深層学習法は,正常および新型コロナウイルス患者に対して0.980と0.971のDSCを達成した。
また, 正常者では0.037 hu, 0.061 hu, 平均 hu 差は-2.679%, 平均 hu 差は-4.403%, 体積差は2.405%, 容積差は5.928%であった。
正常およびCOVID-19患者の肺分画における同等のパフォーマンスは、新型コロナウイルス感染の有無で肺組織を同定するモデルの精度を示している(ただし、通常の患者ではわずかに改善された)。
提案した深層学習モデルによる有望な結果は、新型コロナウイルス肺分節の信頼性を示した。
この必須ステップは、より効率的でロバストな肺炎病変分析につながる。
関連論文リスト
- 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) - A patient-specific approach for quantitative and automatic analysis of
computed tomography images in lung disease: application to COVID-19 patients [0.0]
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。
論文 参考訳（メタデータ） (2021-01-12T12:02:01Z) - 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) - Comparative study of deep learning methods for the automatic
segmentation of lung, lesion and lesion type in CT scans of COVID-19 patients [6.890747388531539]
新型コロナウイルスの迅速かつ正確な定量化にディープラーニングを使うことを提案する研究が増えている。
主な課題は、新型コロナウイルス(COVID-19)感染者の胸部CT検査における肺と肺の病変の自動分離である。
オープンソースと社内開発の両方のアルゴリズムを含む,マルチセンタデータセットを用いた12のディープラーニングアルゴリズムを比較した。
論文 参考訳（メタデータ） (2020-07-29T10:40:39Z) - 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) - Machine Learning Automatically Detects COVID-19 using Chest CTs in a
Large Multicenter Cohort [43.99203831722203]
16施設2096例の胸部CT検査を行った。
新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。
深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
論文 参考訳（メタデータ） (2020-06-09T00:40:35Z) - 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) - 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) - 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。