論文の概要: Automatic segmentation of novel coronavirus pneumonia lesions in CT
images utilizing deep-supervised ensemble learning network
- arxiv url: http://arxiv.org/abs/2110.12827v1
- Date: Mon, 25 Oct 2021 11:49:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 23:42:12.619612
- Title: Automatic segmentation of novel coronavirus pneumonia lesions in CT
images utilizing deep-supervised ensemble learning network
- Title（参考訳）: 深層型アンサンブル学習ネットワークを用いたCT画像における新型肺炎病変の自動抽出
- Authors: Yuanyuan Peng, Zixu Zhang, Hongbin Tu, Xiong Li
- Abstract要約: 新型コロナウイルス(COVID-19)の病変の構造は複雑で、様々なケースで大きく異なる。
過度に適合する問題を補うために、トランスファーラーニング戦略が採用されている。
深い教師付きアンサンブル学習ネットワークは、COVID-19の病変セグメンテーションの局所的特徴とグローバル的特徴を組み合わせるために提示される。
- 参考スコア（独自算出の注目度）: 3.110938126026385
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: The 2019 novel coronavirus disease (COVID-19) has been spread
widely in the world, causing a huge threat to people's living environment.
Objective: Under computed tomography (CT) imaging, the structure features of
COVID-19 lesions are complicated and varied greatly in different cases. To
accurately locate COVID-19 lesions and assist doctors to make the best
diagnosis and treatment plan, a deep-supervised ensemble learning network is
presented for COVID-19 lesion segmentation in CT images. Methods: Considering
the fact that a large number of COVID-19 CT images and the corresponding lesion
annotations are difficult to obtained, a transfer learning strategy is employed
to make up for the shortcoming and alleviate the overfitting problem. Based on
the reality that traditional single deep learning framework is difficult to
extract COVID-19 lesion features effectively, which may cause some lesions to
be undetected. To overcome the problem, a deep-supervised ensemble learning
network is presented to combine with local and global features for COVID-19
lesion segmentation. Results: The performance of the proposed method was
validated in experiments with a publicly available dataset. Compared with
manual annotations, the proposed method acquired a high intersection over union
(IoU) of 0.7279. Conclusion: A deep-supervised ensemble learning network was
presented for coronavirus pneumonia lesion segmentation in CT images. The
effectiveness of the proposed method was verified by visual inspection and
quantitative evaluation. Experimental results shown that the proposed mehtod
has a perfect performance in COVID-19 lesion segmentation.
- Abstract（参考訳）: 背景:2019年の新型コロナウイルス感染症(COVID-19)は世界中で広まり、人々の生活環境に大きな脅威をもたらしている。
目的:CT(Computerd tomography)画像では,COVID-19の病変の構造的特徴は複雑で,異なる症例で大きく異なる。
新型コロナウイルスの病変を正確に特定し、医師が最高の診断・治療計画を立案するのを助けるため、CT画像におけるCOVID-19病変のセグメンテーションのために、深く監督されたアンサンブル学習ネットワークが提示される。
方法:大量のCOVID-19 CT画像とそれに伴う病変アノテーションの取得が困難であるという事実を踏まえ,その欠点を補い,過度に適合する問題を緩和するために,転写学習戦略を採用する。
従来の単一ディープラーニングフレームワークでは、新型コロナウイルスの病変の特徴を効果的に抽出することは困難であり、一部の病変は検出されない可能性がある。
この問題を克服するために、深層教師付きアンサンブル学習ネットワークが提示され、COVID-19の病変セグメンテーションの局所的およびグローバル的特徴と組み合わせられる。
結果:提案手法の性能は,公開データセットを用いた実験で検証された。
手動アノテーションと比較すると,提案手法は0.7279のiou (high intersection over union) を得た。
結論:ct画像中の肺炎病変分画に対し,深層教師付きアンサンブル学習ネットワークが提示された。
提案手法の有効性を視覚的検査と定量的評価により検証した。
実験の結果,mehtodはcovid-19病巣の分画に最適であった。
関連論文リスト
- Dual-Consistency Semi-Supervised Learning with Uncertainty
Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。
提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文 参考訳（メタデータ） (2021-04-07T16:23:35Z) - Classification and Region Analysis of COVID-19 Infection using Lung CT
Images and Deep Convolutional Neural Networks [0.8224695424591678]
本研究は、肺CT画像中のCOVID-19感染領域を記述するための2段階の深層畳み込みニューラルネットワーク(CNN)に基づくフレームワークを提案する。
第1段階では、2段階の離散ウェーブレット変換を用いて、COVID-19特異的CT画像の特徴を増強する。
これらの拡張CT画像は、提案したカスタムメイドの深部CoV-CTNetを用いて分類される。
第2段階では、新型コロナウイルス感染症領域の同定と解析のためのセグメンテーションモデルに、感染画像として分類されたCT画像を提供する。
論文 参考訳（メタデータ） (2020-09-16T02:28:46Z) - COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for
Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。
また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
論文 参考訳（メタデータ） (2020-09-08T15:49:55Z) - 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) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z) - 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) - COVID_MTNet: COVID-19 Detection with Multi-Task Deep Learning Approaches [5.578413517654704]
本稿では,多タスク深層学習(DL)手法を用いて,新型コロナウイルス患者を迅速かつ効率的に識別する方法を提案する。
提案手法について,X線およびCTスキャン画像を用いて検討した。
検出モデルは、X線画像から約84.67%の精度と、CT画像の98.78%の精度を示している。
論文 参考訳（メタデータ） (2020-04-07T23:19:59Z)
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。