論文の概要: Development of a Multi-Task Learning V-Net for Pulmonary Lobar
Segmentation on Computed Tomography and Application to Diseased Lungs
- arxiv url: http://arxiv.org/abs/2105.05204v1
- Date: Tue, 11 May 2021 17:10:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-12 13:48:15.062263
- Title: Development of a Multi-Task Learning V-Net for Pulmonary Lobar
Segmentation on Computed Tomography and Application to Diseased Lungs
- Title（参考訳）: ctによる肺小葉分割のためのマルチタスク学習v-netの開発と疾患肺への応用
- Authors: Marc Boubnovski Martell, Mitchell Chen, Kristofer Linton-Reid, Joram
M. Posma, Susan J Copley, Eric O. Aboagye
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.19573380763700707
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated lobar segmentation allows regional evaluation of lung disease and
is important for diagnosis and therapy planning. Advanced statistical workflows
permitting such evaluation is a needed area within respiratory medicine; their
adoption remains slow, with poor workflow accuracy. Diseased lung regions often
produce high-density zones on CT images, limiting an algorithm's execution to
specify damaged lobes due to oblique or lacking fissures. This impact motivated
developing an improved machine learning method to segment lung lobes that
utilises tracheobronchial tree information to enhance segmentation accuracy
through the algorithm's spatial familiarity to define lobar extent more
accurately. The method undertakes parallel segmentation of lobes and auxiliary
tissues simultaneously by employing multi-task learning (MTL) in conjunction
with V-Net-attention, a popular convolutional neural network in the imaging
realm. In keeping with the model's adeptness for better generalisation, high
performance was retained in an external dataset of patients with four distinct
diseases: severe lung cancer, COVID-19 pneumonitis, collapsed lungs and Chronic
Obstructive Pulmonary Disease (COPD), even though the training data included
none of these cases. The benefit of our external validation test is
specifically relevant since our choice includes those patients who have
diagnosed lung disease with associated radiological abnormalities. To ensure
equal rank is given to all segmentations in the main task we report the
following performance (Dice score) on a per-segment basis: normal lungs 0.97,
COPD 0.94, lung cancer 0.94, COVID-19 pneumonitis 0.94 and collapsed lung 0.92,
all at p<0.05. Even segmenting lobes with large deformations on CT images, the
model maintained high accuracy. The approach can be readily adopted in the
clinical setting as a robust tool for radiologists.
- Abstract（参考訳）: 肺疾患の局所的評価を可能とし,診断と治療計画に重要である。
このような評価を可能にする高度な統計ワークフローは、呼吸医学において必要となる領域である。
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、斜めや亀裂の欠如による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、気胸木情報を利用した肺葉のセグメント化のための改良された機械学習手法を開発し、アルゴリズムの空間的親しみによるセグメント化精度を高め、葉の幅をより正確に定義する動機となった。
画像領域で一般的な畳み込みニューラルネットワークであるv-net-attentionと連携して、マルチタスク学習(mtl)を用いて、ローブと補助組織の並列セグメンテーションを同時に行う。
このモデルのより優れた一般化のための適性を維持しつつ、訓練データには含まれなかったが、重篤な肺癌、covid-19肺炎、倒れた肺、慢性閉塞性肺疾患(copd)の4つの異なる疾患の外部データセットに高いパフォーマンスが保持された。
放射線学的異常を伴う肺疾患と診断された患者を対象とする外的妥当性検査のメリットは,特に有意である。
メインタスクの全てのセグメンテーションに等しくランクを与えるためには、正常肺0.09、copd 0.94、肺がん0.04、covid-19 pneumonitis 0.94、崩壊肺0.22、すべてp<0.05である。
CT画像に大きな変形があるセグメンテーションローブでさえ、モデルは高い精度を維持した。
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。
関連論文リスト
- Detection-Guided Deep Learning-Based Model with Spatial Regularization for Lung Nodule Segmentation [2.4044422838107438]
肺がんはがんの診断の主要な原因の1つであり、世界中でがん関連死亡の原因となっている。
肺結節の分節は、悪性病変と良性病変の区別において、医師を支援する上で重要な役割を担っている。
本稿では,CT画像における肺結節のセグメンテーションモデルを導入し,セグメンテーションと分類プロセスを統合する深層学習フレームワークを活用する。
論文 参考訳（メタデータ） (2024-10-26T11:58:12Z) - SGDA: Towards 3D Universal Pulmonary Nodule Detection via Slice Grouped
Domain Attention [47.44114201293201]
肺がんは世界中でがんの死因となっている。
現在の肺結節検出法は通常ドメイン固有である。
肺結節検出ネットワークの一般化能力を高めるために,スライスグループドメインアテンション(SGDA)モジュールを提案する。
論文 参考訳（メタデータ） (2023-03-07T03:17:49Z) - An Efficient and Robust Method for Chest X-Ray Rib Suppression that
Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。
従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。
本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。
2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
論文 参考訳（メタデータ） (2023-02-19T23:47:02Z) - Lung nodules segmentation from CT with DeepHealth toolkit [6.980270783615686]
本研究の目的は,PyECVLおよびPyEDDLライブラリを含むDeephealthツールキットが肺結節を正確に分節できることを実証することであった。
以上の結果から, 肺結節の広範囲にわたる精密な分節化と, 従来の検出法よりも精度がよいことが示唆された。
論文 参考訳（メタデータ） (2022-08-01T06:54:12Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Debiasing pipeline improves deep learning model generalization for X-ray
based lung nodule detection [11.228544549618068]
肺がんは世界中でがん死の主要な原因であり、予後は早期診断に依存している。
胸部X線像を均質化し,除染する画像前処理パイプラインは,内部分類と外部一般化の両方を改善することができることを示す。
進化的プルーニング機構は、一般に利用可能な肺結節X線データセットから最も情報性の高い画像に基づいて結節検出深層学習モデルを訓練するために用いられる。
論文 参考訳（メタデータ） (2022-01-24T10:08:07Z) - 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) - 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) - 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) - 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。