論文の概要: 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

• arxiv url: http://arxiv.org/abs/2105.02566v1
• Date: Thu, 6 May 2021 10:21:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 13:32:48.457936
• Title: 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
• Title（参考訳）: 2つのu-netのカスケードによるcovid-19肺炎の肺病変の定量化 : 異なる注釈基準を用いた複数データセットの訓練と評価
• Authors: Francesca Lizzi, Abramo Agosti, Francesca Brero, Raffaella Fiamma Cabini, Maria Evelina Fantacci, Silvia Figini, Alessandro Lascialfari, Francesco Laruina, Piernicola Oliva, Stefano Piffer, Ian Postuma, Lisa Rinaldi, Cinzia Talamonti, Alessandra Retico
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 83.83783947027392
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The automatic assignment of a severity score to the CT scans of patients affected by COVID-19 pneumonia could reduce the workload in radiology departments. This study aims at exploiting Artificial intelligence (AI) for the identification, segmentation and quantification of COVID-19 pulmonary lesions. We investigated the effects of using multiple datasets, heterogeneously populated and annotated according to different criteria. We developed an automated analysis pipeline, the LungQuant system, based on a cascade of two U-nets. The first one (U-net_1) is devoted to the identification of the lung parenchyma, the second one (U-net_2) acts on a bounding box enclosing the segmented lungs to identify the areas affected by COVID-19 lesions. Different public datasets were used to train the U-nets and to evaluate their segmentation performances, which have been quantified in terms of the Dice index. The accuracy in predicting the CT-Severity Score (CT-SS) of the LungQuant system has been also evaluated. Both Dice and accuracy showed a dependency on the quality of annotations of the available data samples. On an independent and publicly available benchmark dataset, the Dice values measured between the masks predicted by LungQuant system and the reference ones were 0.95$\pm$0.01 and 0.66$\pm$0.13 for the segmentation of lungs and COVID-19 lesions, respectively. The accuracy of 90% in the identification of the CT-SS on this benchmark dataset was achieved. We analysed the impact of using data samples with different annotation criteria in training an AI-based quantification system for pulmonary involvement in COVID-19 pneumonia. In terms of the Dice index, the U-net segmentation quality strongly depends on the quality of the lesion annotations. Nevertheless, the CT-SS can be accurately predicted on independent validation sets, demonstrating the satisfactory generalization ability of the LungQuant.
• Abstract（参考訳）: 新型コロナウイルス感染症患者のCTスキャンに重度スコアを自動割り当てることによって、放射線科の作業負荷が軽減される可能性がある。 本研究の目的は、新型コロナウイルスの肺病変の同定、分節化、定量化に人工知能(AI)を活用することである。 本研究は, 異種個体群とアノテート個体群を異なる基準で比較した。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 第1の1つ(U-net_1)は肺発作の同定に特化しており、第2の1つ(U-net_2)は、セグメント化された肺を囲む境界箱に作用し、COVID-19の病変によって影響を受ける領域を特定する。 u-netのトレーニングや、diceインデックスで定量化されたセグメンテーションパフォーマンスの評価に、さまざまな公開データセットが使用された。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。 diceと精度は、利用可能なデータサンプルのアノテーションの品質に依存することを示した。 独立で一般に入手可能なベンチマークデータセットでは、肺清算システムで予測されたマスクと基準マスクの間のサイス値は、それぞれ0.095$\pm$0.01と0.66$\pm$0.13であった。 このベンチマークデータセットにおけるCT-SSの同定精度は90%であった。 新型コロナウイルス肺炎におけるaiによる肺病変の定量化システムの訓練において,アノテーション基準の異なるデータサンプルを用いた場合の影響について検討した。 Dice indexの観点では、U-netセグメンテーションの品質は病変アノテーションの品質に強く依存する。 それでも、CT-SSは独立した検証セットで正確に予測することができ、LungQuantの十分な一般化能力を示す。

関連論文リスト

• A novel unsupervised covid lung lesion segmentation based on the lung tissue identification [0.0]
  コビッド19のDL-CovidとDL-Normと呼ばれる2つのモデルと正常患者の2つのモデルが、肺組織同定のためのボクセル単位の確率マップを生成する。 コビッド病変を検出するために、コビッド患者のCT画像をDL-CovidモデルとDL-Normモデルで処理し、2つの肺確率マップを得る。 The probability map of the Covid infections could be generated through the subtraction of the two lung probability map obtained from the DL-Covid and DL-Norm model。
  論文  参考訳（メタデータ） (2022-02-24T15:33:21Z)
• Automated assessment of disease severity of COVID-19 using artificial intelligence with synthetic chest CT [13.44182694693376]
  公開データセットを用いた胸部CT画像の合成にデータ拡張を取り入れた。 合成画像とマスクは、2D U-netニューラルネットワークのトレーニングに使われ、203のCOVID-19データセットでテストされた。
  論文  参考訳（メタデータ） (2021-12-11T02:03:30Z)
• Lung Ultrasound Segmentation and Adaptation between COVID-19 and Community-Acquired Pneumonia [0.17159130619349347]
  深層ニューラルネットワークを用いた超音声的B線分割作業に着目する。 我々は、COVID-19とCAP肺超音波データの両方を用いて、ネットワークをトレーニングする。 いずれかのタイプの肺疾患を推測する際には、様々な臨床応用が期待できる。
  論文  参考訳（メタデータ） (2021-08-06T14:17:51Z)
• 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)
• Development of a Multi-Task Learning V-Net for Pulmonary Lobar Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
  疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。 この影響は、肺葉を分節する機械学習手法の改善を動機づけた。 このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
  論文  参考訳（メタデータ） (2021-05-11T17:10:25Z)
• 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)
• 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)
• 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)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)

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。