Fugu-MT 論文翻訳(概要): U-Net-based Lung Thickness Map for Pixel-level Lung Volume Estimation of Chest X-rays

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

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。