論文の概要: AI-Powered Semantic Segmentation and Fluid Volume Calculation of Lung CT images in Covid-19 Patients

• arxiv url: http://arxiv.org/abs/2110.15558v1
• Date: Fri, 29 Oct 2021 05:50:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-01 22:05:59.294482
• Title: AI-Powered Semantic Segmentation and Fluid Volume Calculation of Lung CT images in Covid-19 Patients
• Title（参考訳）: Covid-19患者の肺CT像のAIによる意味分割と流体体積計算
• Authors: Sabeerali K.P, Saleena T.S, Dr.Muhamed Ilyas P and Dr. Neha Mohan
• Abstract要約: 本研究は、GGOの容積とコビッド新型コロナウイルス患者の統合を図ることを目的とする。 肺マスクのIoUは99.78%、感染したマスクのIoUは89.01%と予測されている。 このシステムは、DeepLabV3+ネットワークアーキテクチャと、Imagenet重み付きモデルResnet50でトレーニングされている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: COVID-19 pandemic is a deadly disease spreading very fast. People with the confronted immune system are susceptible to many health conditions. A highly significant condition is pneumonia, which is found to be the cause of death in the majority of patients. The main purpose of this study is to find the volume of GGO and consolidation of a covid-19 patient so that the physicians can prioritize the patients. Here we used transfer learning techniques for segmentation of lung CTs with the latest libraries and techniques which reduces training time and increases the accuracy of the AI Model. This system is trained with DeepLabV3+ network architecture and model Resnet50 with Imagenet weights. We used different augmentation techniques like Gaussian Noise, Horizontal shift, color variation, etc to get to the result. Intersection over Union(IoU) is used as the performance metrics. The IoU of lung masks is predicted as 99.78% and that of infected masks is as 89.01%. Our work effectively measures the volume of infected region by calculating the volume of infected and lung mask region of the patients.
• Abstract（参考訳）: 新型コロナウイルスのパンデミックは、非常に急速に広がる致命的な病気である。 対する免疫系を持つ人々は、多くの健康状態の影響を受けやすい。 非常に重要な症状は肺炎であり、多くの患者で死因となっている。 本研究の目的は、医師が患者を優先順位付けできるように、GGOの容積とコビッド19の患者の統合を見つけることである。 そこで我々は,最新のライブラリーとAIモデルのトレーニング時間を短縮し,精度を向上させる技術を用いて,肺CTのセグメンテーションを行う。 このシステムはdeeplabv3+ネットワークアーキテクチャとモデルresnet50でトレーニングされ、imagenetの重み付けを行う。 ガウスノイズ,水平シフト,色変化など,様々な拡張手法を用いて結果を得ることができた。 IoU(Intersection over Union)はパフォーマンス指標として使用される。 肺マスクのiouは99.78%、感染マスクのiouは89.01%と予測されている。 本研究は,患者の感染面積と肺マスク面積を算出し,感染領域の容積を効果的に測定する。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• CoVid-19 Detection leveraging Vision Transformers and Explainable AI [0.0]
  肺疾患は、死因のトップ30のうち5つに原因がある。 早期に肺疾患を診断することが重要である。 ディープラーニングアルゴリズムは、自律的、迅速、そして正確な肺疾患の同定に重要な可能性を秘めている。
  論文  参考訳（メタデータ） (2023-07-29T17:45:27Z)
• COVID-19 Detection using Transfer Learning with Convolutional Neural Network [0.0]
  新型コロナウイルス(COVID-19)は、2019年12月に中国湖北省武漢で初めて確認された致命的な感染症である。 本研究では,CT画像からCOVID-19感染を検出するためのトランスファーラーニング戦略(CNN)を提案する。 提案モデルでは,Transfer Learning Model Inception V3を用いた多層畳み込みニューラルネットワーク(CNN)が設計されている。
  論文  参考訳（メタデータ） (2022-06-17T05:30:14Z)
• 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)
• Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural Networks [68.8204255655161]
  私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。 最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
  論文  参考訳（メタデータ） (2020-12-29T01:14:17Z)
• Accurate and Rapid Diagnosis of COVID-19 Pneumonia with Batch Effect Removal of Chest CT-Scans and Interpretable Artificial Intelligence [0.0]
  我々は、健康な人、新型コロナウイルス患者、他の肺炎疾患患者をCTスキャン画像から識別する、解釈可能な新しいディープニューラルネットワークを設計した。 このモデルは97.75%と98.15%の感度に達し、87%と81.03%の特異性は、病気から健康な人々と他の病気から分離している。
  論文  参考訳（メタデータ） (2020-11-23T21:23:55Z)
• 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)
• Automated Detection of COVID-19 from CT Scans Using Convolutional Neural Networks [0.0]
  COVID-19はSARS-CoV 2003と同様の呼吸器障害を引き起こす感染症である。 U-Netアーキテクチャを用いて2次元セグメンテーションモデルを構築し,感染領域をマークアウトして出力する。
  論文  参考訳（メタデータ） (2020-06-23T06:50:41Z)
• 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)

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。