論文の概要: U-Net-based Lung Thickness Map for Pixel-level Lung Volume Estimation of Chest X-rays
- arxiv url: http://arxiv.org/abs/2110.12509v5
- Date: Wed, 31 Jul 2024 13:41:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-01 22:39:37.226915
- Title: U-Net-based Lung Thickness Map for Pixel-level Lung Volume Estimation of Chest X-rays
- Title(参考訳): 胸部X線量推定のためのU-Netベースの肺厚さマップ
- Authors: Tina Dorosti, Manuel Schultheiss, Philipp Schmette, Jule Heuchert, Johannes Thalhammer, Florian Schaff, Thorsten Sellerer, Rafael Schick, Kirsten Taphorn, Korbinian Mechlem, Lorenz Birnbacher, Franz Pfeiffer, Daniela Pfeiffer,
- Abstract要約: 肺の厚さマップを作成したUNetを用いて, 実および合成前頭葉X線写真から肺総容積(TLV)をピクセルレベルで推定することを目的とした。
U-Netモデルは、肺の地図を予測し、TLVを推定するために、公開データセットから合成ラジオグラフィーで訓練され、試験された。
- 参考スコア(独自算出の注目度): 4.595143640439819
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: We aimed to estimate the total lung volume (TLV) from real and synthetic frontal X-ray radiographs on a pixel level using lung thickness maps generated by a U-Net. Methods: 5,959 thorax X-ray computed tomography (CT) scans were retrieved from two publicly available datasets of the lung nodule analysis 2016 (n=656) and the RSNA pulmonary embolism detection challenge 2020 (n=5,303). Additionally, thorax CT scans from 72 subjects (33 healthy: 20 men, mean age [range] = 62.4 [34, 80]; 39 suffering from chronic obstructive pulmonary disease: 25 men, mean age [range] = 69.0 [47, 91]) were retrospectively selected (10.2018-12.2019) from our in-house dataset such that for each subject, a frontal chest X-ray radiograph no older than seven days was available. All CT scans and their corresponding lung segmentation were forward projected using a simulated X-ray spectrum to generate synthetic radiographs and lung thickness maps, respectively. A U-Net model was trained and tested on synthetic radiographs from the public datasets to predict lung thickness maps and consequently estimate TLV. Model performance was further assessed by evaluating the TLV estimations for the in-house synthetic and real radiograph pairs using Pearson correlation coefficient (r) and significance testing. Results: Strong correlations were measured between the predicted and CT-derived ground truth TLV values for test data from synthetic ($n_{Public}$=1,191, r=0.987, P < 0.001; $n_{In-house}$=72, r=0.973, P < 0.001) and real radiographs (n=72, r=0.908, P < 0.001). Conclusion: TLV from U-Net-generated pixel-level lung thickness maps were successfully estimated for synthetic and real radiographs.
- Abstract(参考訳): 目的:U-Netにより生成された肺の厚みマップを用いて,実画像および合成X線写真から肺総容積(TLV)を画素レベルで推定することを目的とした。
方法: 5,959 thorax X-ray Computed Tomography (CT) スキャンを肺結節解析 2016 (n=656) と RSNA 肺塞栓症検出 2020 (n=5,303) の2つの公開データセットから検索した。
また,健常者72名(健常者20名,平均年齢62.4[34,80],慢性閉塞性肺疾患39名,男性25名,平均年齢69.0[47,91])の胸部CT検査を行った。
全CTスキャンと対応する肺分画は, それぞれ合成X線と肺の厚みマップを生成するために, 模擬X線スペクトルを用いて前方に投影された。
U-Netモデルは、肺の厚さマップを推定し、TLVを推定するために、公開データセットから合成ラジオグラフィーで訓練され、試験された。
さらに、Pearson相関係数(r)と重要性試験を用いて、室内の合成および実線写真対のTLV推定値を評価することにより、モデル性能を更に評価した。
結果: 合成(n_{Public}$=1,191, r=0.987, P < 0.001; $n_{In-house}$=72, r=0.973, P < 0.001)と実線写真(n=72, r=0.908, P < 0.001)から得られた試験データに対するCT由来の地中真理TLV値の相関について検討した。
結語:U-Netで生成した画素レベルの肺の厚さマップからのTLVは、合成および実際のラジオグラフィーで正常に推定された。
関連論文リスト
- Prediction of Pneumonia and COVID-19 Using Deep Neural Networks [0.0]
胸部X線画像から肺炎を予測する機械学習手法を提案する。
DenseNet121は他のモデルより優れており、精度は99.58%である。
論文 参考訳(メタデータ) (2023-08-20T21:26:37Z) - Validated respiratory drug deposition predictions from 2D and 3D medical
images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。
2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文 参考訳(メタデータ) (2023-03-02T07:47:07Z) - Improving Computed Tomography (CT) Reconstruction via 3D Shape Induction [3.1498833540989413]
再現モデルのトレーニング中に現実的なX線分布を取り入れた新しい手法として,CTの監督なしに3次元CTの形状を学習する形状誘導法を提案する。
本研究は, 肺疾患におけるCTの知覚的品質と下流分類の精度を両立させることを実証した。
論文 参考訳(メタデータ) (2022-08-23T13:06:02Z) - 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) - 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) - 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) - 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。