論文の概要: CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning

• arxiv url: http://arxiv.org/abs/2105.11863v1
• Date: Tue, 25 May 2021 12:06:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-26 14:18:33.223575
• Title: CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning
• Title（参考訳）: corsai:深層学習を用いたcovid-19患者のctスキャンのロバストな解釈システム
• Authors: Manvel Avetisian, Ilya Burenko, Konstantin Egorov, Vladimir Kokh, Aleksandr Nesterov, Aleksandr Nikolaev, Alexander Ponomarchuk, Elena Sokolova, Alex Tuzhilin, Dmitry Umerenkov
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 133.87426554801252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analysis of chest CT scans can be used in detecting parts of lungs that are affected by infectious diseases such as COVID-19.Determining the volume of lungs affected by lesions is essential for formulating treatment recommendations and prioritizingpatients by severity of the disease. In this paper we adopted an approach based on using an ensemble of deep convolutionalneural networks for segmentation of slices of lung CT scans. Using our models we are able to segment the lesions, evaluatepatients dynamics, estimate relative volume of lungs affected by lesions and evaluate the lung damage stage. Our modelswere trained on data from different medical centers. We compared predictions of our models with those of six experiencedradiologists and our segmentation model outperformed most of them. On the task of classification of disease severity, ourmodel outperformed all the radiologists.
• Abstract（参考訳）: 胸部CT検査は、新型コロナウイルスなどの感染症に罹患する肺の一部を検出するのに有用であり、疾患による肺の量の決定は、治療勧告を定式化し、患者の重症度によって患者を優先させるのに不可欠である。 本稿では,肺CTスキャンのスライス分割のための深部畳み込みニューラルネットワークのアンサンブルを用いたアプローチを採用した。 モデルを用いて,病変を分割し,患者の動態を評価し,病変の影響を受ける肺の相対容積を推定し,肺損傷段階を評価できる。 私たちのモデルは、異なる医療センターのデータに基づいて訓練されています。 我々は,6人の経験的放射線科医のモデルと比較し,大半をセグメンテーションモデルが上回った。 疾患の重症度を分類するタスクにおいて、wemodelはすべての放射線科医を上回っていた。

関連論文リスト

• Towards reliable respiratory disease diagnosis based on cough sounds and vision transformers [14.144599890583308]
  本稿では,大規模コークスデータセットを用いた自己教師型学習と教師型学習を併用したコークス病分類手法を提案する。 提案手法は、新型コロナウイルスの診断のための2つのベンチマークデータセットと、AUROC 92.5% の COPD/non-COPD 分類のためのプロプライエタリデータセットにおいて、先行技術よりも一貫して優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2024-08-28T09:40:40Z)
• COVID-VR: A Deep Learning COVID-19 Classification Model Using Volume-Rendered Computer Tomography [0.0]
  COVID-VRは、複数の角度から捉えた肺の容積レンダリング画像に基づいて、肺疾患を分類するための新しいアプローチである。 本稿では,複数の角度から肺の容積レンダリング画像に基づいて肺疾患を分類する新しいアプローチであるCOVID-VRを紹介する。
  論文  参考訳（メタデータ） (2023-08-02T21:13:10Z)
• 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)
• 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)
• 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)
• COVID-19 in CXR: from Detection and Severity Scoring to Patient Disease Monitoring [3.9373541926236766]
  胸部X線画像における肺炎の同時検出とセグメンテーションのための深層学習モデルを開発した。 このセグメンテーションを用いて、病気の重症度を示す「肺炎比」を計算した。 重症度の測定は、入院した患者の時間とともに、病気の範囲のプロファイルを構築することができる。
  論文  参考訳（メタデータ） (2020-08-04T13:50:35Z)
• 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)
• 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)
• Attention U-Net Based Adversarial Architectures for Chest X-ray Lung Segmentation [0.0]
  本稿では,診断パイプラインにおける基礎的,しかし困難な課題である肺分節に対する新しい深層学習手法を提案する。 本手法では, 逆批判モデルとともに, 最先端の完全畳み込みニューラルネットワークを用いる。 これは、患者プロファイルの異なる未確認データセットのCXRイメージによく当てはまり、JSRTデータセットの最終的なDSCRは97.5%に達した。
  論文  参考訳（メタデータ） (2020-03-23T14:45:48Z)

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。