論文の概要: A framework for quantitative analysis of Computed Tomography images of
viral pneumonitis: radiomic features in COVID and non-COVID patients
- arxiv url: http://arxiv.org/abs/2109.13931v1
- Date: Tue, 28 Sep 2021 15:22:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-30 14:35:59.141735
- Title: A framework for quantitative analysis of Computed Tomography images of
viral pneumonitis: radiomic features in COVID and non-COVID patients
- Title（参考訳）: ウイルス性肺炎のct画像の定量的解析のための枠組み:新型コロナおよび非共生患者における放射線学的特徴
- Authors: Giulia Zorzi, Luca Berta, Stefano Carrazza, Alberto Torresin
- Abstract要約: 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。
- 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: Purpose: to optimize a pipeline of clinical data gathering and CT images
processing implemented during the COVID-19 pandemic crisis and to develop
artificial intelligence model for different of viral pneumonia. Methods: 1028
chest CT image of patients with positive swab were segmented automatically for
lung extraction. A Gaussian model developed in Python language was applied to
calculate quantitative metrics (QM) describing well-aerated and ill portions of
the lungs from the histogram distribution of lung CT numbers in both lungs of
each image and in four geometrical subdivision. Furthermore, radiomic features
(RF) of first and second order were extracted from bilateral lungs using
PyRadiomic tools. QM and RF were used to develop 4 different Multi-Layer
Perceptron (MLP) classifier to discriminate images of patients with COVID
(n=646) and non-COVID (n=382) viral pneumonia. Results: The Gaussian model
applied to lung CT histogram correctly described healthy parenchyma 94% of the
patients. The resulting accuracy of the models for COVID diagnosis were in the
range 0.76-0.87, as the integral of the receiver operating curve. The best
diagnostic performances were associated to the model based on RF of first and
second order, with 21 relevant features after LASSO regression and an accuracy
of 0.81$\pm$0.02 after 4-fold cross validation Conclusions: Despite these
results were obtained with CT images from a single center, a platform for
extracting useful quantitative metrics from CT images was developed and
optimized. Four artificial intelligence-based models for classifying patients
with COVID and non-COVID viral pneumonia were developed and compared showing
overall good diagnostic performances
- Abstract（参考訳）: 目的:covid-19パンデミック時に実施した臨床データ収集とct画像処理のパイプラインを最適化し,ウイルス性肺炎の異なる人工知能モデルを開発すること。
方法】Swab陽性患者の胸部CT画像1028枚を肺抽出のために自動的に分割した。
Python言語で開発されたガウスモデルを用いて、各画像の両肺および4つの幾何学的区分における肺CTナンバーのヒストグラム分布から、肺の正常および異常部分の定量的な測定値(QM)を算出した。
さらにPyRadiomic toolsを用いて両側肺から第1,第2次放射線学的特徴(RF)を抽出した。
ウイルス性肺炎 (n=646) と非共発性 (n=382) のイメージを識別する4種類の多層パーセプトロン (mlp) 分類器の開発にqmとrfを用いた。
結果: 肺CTヒストグラムに応用したガウスモデルでは健常者の94%が正常であった。
その結果、新型コロナウイルスの診断モデルの精度は、受信者の動作曲線の積分値である 0.76-0.87 の範囲で向上した。
一階と二階のrfに基づくモデルに最高の診断性能が関連しており、ラッソ回帰後の21の関連特徴と、4倍のクロス検証結果の後に 0.81$\pm$0.02 の精度が得られた: これらの結果が1つのセンターからct画像を用いて得られたにもかかわらず、ct画像から有用な定量的指標を抽出するためのプラットフォームが開発され、最適化された。
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に基づく4つのモデルを開発し、総合的な診断性能の比較を行った。
関連論文リスト
- 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) - Intelligent computational model for the classification of Covid-19 with
chest radiography compared to other respiratory diseases [0.0]
統計的および計算的な方法で処理された肺X線画像は、肺炎と新型コロナウイルスを区別することができる。
本研究は、新型コロナウイルスの疑いのある患者を診察し、診断する方法を改善するために、肺X線の特徴を抽出することが可能であることを示す。
論文 参考訳（メタデータ） (2021-08-12T05:07:11Z) - 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) - 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) - 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) - CT Image Segmentation for Inflamed and Fibrotic Lungs Using a
Multi-Resolution Convolutional Neural Network [6.177921466996229]
本研究の目的は, 各種密度増強肺異常に対して頑健な完全自動セグメンテーションアルゴリズムを開発することである。
急性肺障害を患うヒトの左肺と右肺に特異的にラベル付けされた肺と非特異的にラベル付けされた肺の両方を1つのニューラルネットワークのトレーニングに組み込んだ多形性訓練手法が提案されている。
結果として生じるネットワークは、ヒトの左右の肺領域を、びまん性オパーシフィケーションと凝縮を伴わずに予測することを目的としている。
論文 参考訳（メタデータ） (2020-10-16T18:25:59Z) - 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) - PDCOVIDNet: A Parallel-Dilated Convolutional Neural Network Architecture
for Detecting COVID-19 from Chest X-Ray Images [1.4824891788575418]
新型コロナウイルスのパンデミックは、世界保健システムの繁栄を著しく損なわれ続けている。
胸部X線画像による放射線学的評価は,重要なスクリーニング技術の一つである。
胸部X線画像を用いた並列拡散畳み込みニューラルネットワークによる新型コロナウイルス検出システムを提案する。
論文 参考訳（メタデータ） (2020-07-29T12:28:16Z) - 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) - 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) - 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)
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。