論文の概要: Per-Pixel Lung Thickness and Lung Capacity Estimation on Chest X-Rays using Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2110.12509v1
• Date: Sun, 24 Oct 2021 19:09:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 14:12:33.776784
• Title: Per-Pixel Lung Thickness and Lung Capacity Estimation on Chest X-Rays using Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いた胸部x線像の肺厚さと肺容量の推定
• Authors: Manuel Schultheiss, Philipp Schmette, Thorsten Sellerer, Rafael Schick, Kirsten Taphorn, Korbinian Mechlem, Lorenz Birnbacher, Bernhard Renger, Marcus R. Makowski, Franz Pfeiffer, Daniela Pfeiffer
• Abstract要約: X線画像上の肺深度を推定すると,臨床経過中に正確な肺体積推定が可能である。 本稿では,1ピクセルあたりの肺の厚さ推定とそれに続く肺総容量推定を可能にする畳み込みニューラルネットワークに基づく手法を提案する。
• 参考スコア（独自算出の注目度）: 4.526265435158766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating the lung depth on x-ray images could provide both an accurate opportunistic lung volume estimation during clinical routine and improve image contrast in modern structural chest imaging techniques like x-ray dark-field imaging. We present a method based on a convolutional neural network that allows a per-pixel lung thickness estimation and subsequent total lung capacity estimation. The network was trained and validated using 5250 simulated radiographs generated from 525 real CT scans. Furthermore, we are able to infer the model trained with simulation data on real radiographs. For 35 patients, quantitative and qualitative evaluation was performed on standard clinical radiographs. The ground-truth for each patient's total lung volume was defined based on the patients' corresponding CT scan. The mean-absolute error between the estimated lung volume on the 35 real radiographs and groundtruth volume was 0.73 liter. Additionally, we predicted the lung thicknesses on a synthetic dataset of 131 radiographs, where the mean-absolute error was 0.27 liter. The results show, that it is possible to transfer the knowledge obtained in a simulation model to real x-ray images.
• Abstract（参考訳）: X線画像上での肺深度の推定は、臨床経過中の正確な肺体積推定と、X線暗視野画像のような現代的な構造的胸部イメージング技術における画像コントラストの改善の両方をもたらす可能性がある。 本稿では,ピクセル単位の肺厚推定とそれに続く肺容量推定を可能にする畳み込みニューラルネットワークに基づく手法を提案する。 ネットワークは525個の実CTスキャンから生成された5250個のシミュレートされたラジオグラフを用いて訓練され、検証された。 さらに,実画像上でシミュレーションデータを用いて訓練したモデルを推定することができる。 35例について, 標準臨床X線写真を用いて定量的, 質的評価を行った。 各患者の肺全容積の基底は,各患者の対応するctスキャンに基づいて定義した。 35実検体における肺容積推定値と地中容積の平均誤差は0.73リットルであった。 さらに,平均絶対誤差0.27リットルの131ラジオグラフの合成データを用いて肺の厚さを予測した。 その結果,シミュレーションモデルで得られた知識を実X線画像に転送することが可能であることが示唆された。

関連論文リスト

• BeyondCT: A deep learning model for predicting pulmonary function from chest CT scans [2.602923751641061]
  BeyondCT モデルは,非造影胸部CT から1秒間 (FEV1) の強制活量および強制呼気量を予測するために開発された。 肺機能予測には非造影胸部CT検査が有用であった。
  論文  参考訳（メタデータ） (2024-08-10T22:28:02Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• COVID-Rate: An Automated Framework for Segmentation of COVID-19 Lesions from Chest CT Scans [29.266579630983358]
  パンデミック時代には、専門家の放射線学者による新型コロナウイルスの肺病変の視覚的評価と定量化が高価になり、エラーが生じる傾向にある。 専門医に注釈を付された82例のCT画像433点を含むオープンアクセス型COVID-19 CTセグメンテーションデータセットについて紹介する。 Deep Neural Network(DNN)ベースのフレームワークであるCOVID-Rateは、胸部CTスキャンからCOVID-19に関連する肺の異常を自律的に分離する。
  論文  参考訳（メタデータ） (2021-07-04T03:19:43Z)
• 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 Estimation of Total Lung Volume using Chest Radiographs and Deep Learning [4.874501619350224]
  総肺量は重要な定量的バイオマーカーであり、制限肺疾患の評価に使用されます。 このデータセットは、胸部X線写真から肺総量を予測するディープラーニングアーキテクチャのトレーニングに使用された。 今回我々は,最先端のディープラーニングソリューションが胸部x線写真から肺総量を正確に測定できることを初めて実証した。
  論文  参考訳（メタデータ） (2021-05-03T21:35:16Z)
• Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
  肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。 深層学習モデルは、大きな胸部X線写真データセットで訓練された。
  論文  参考訳（メタデータ） (2020-08-13T15:45:44Z)
• 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)
• Improving performance of CNN to predict likelihood of COVID-19 using chest X-ray images with preprocessing algorithms [0.3180570080674292]
  本研究は,胸部X線画像のコンピュータ支援診断手法の開発の可能性を示した。 8,474個の胸部X線画像のデータセットを使用して、CNNベースのCADスキームをトレーニングし、テストする。 検査結果は、3つのクラスを分類する際の総合的精度の94.0%、コビッドウイルスの感染者を検出する際の精度の98.6%を達成している。
  論文  参考訳（メタデータ） (2020-06-11T16:45:46Z)
• 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)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)
• 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。