論文の概要: Unsupervised COVID-19 Lesion Segmentation in CT Using Cycle Consistent
Generative Adversarial Network
- arxiv url: http://arxiv.org/abs/2111.11602v1
- Date: Tue, 23 Nov 2021 01:47:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 16:05:48.271854
- Title: Unsupervised COVID-19 Lesion Segmentation in CT Using Cycle Consistent
Generative Adversarial Network
- Title(参考訳): サイクリング・コンシスタント・ジェネレーション・ディバイザリー・ネットワークを用いたCTにおける非監督的COVID-19病変の分離
- Authors: Chengyijue Fang, Yingao Liu, Mengqiu Liu, Xiaohui Qiu, Ying Liu, Yang
Li, Jie Wen, Yidong Yang
- Abstract要約: 新型コロナウイルスは世界的なパンデミックとなり、依然として公衆に深刻な健康リスクをもたらしている。
そこで我々は, 周期一貫した生成逆数ネットワーク (cycle-GAN) を用いた新しい非教師的アプローチを提案し, 病変のデライン化を自動化し, 高速化する。
提案手法は, 自動新型コロナウイルス病変のデライン化において高い精度と効率を実現した。
- 参考スコア(独自算出の注目度): 9.845581652243583
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: COVID-19 has become a global pandemic and is still posing a severe health
risk to the public. Accurate and efficient segmentation of pneumonia lesions in
CT scans is vital for treatment decision-making. We proposed a novel
unsupervised approach using cycle consistent generative adversarial network
(cycle-GAN) which automates and accelerates the process of lesion delineation.
The workflow includes lung volume segmentation, "synthetic" healthy lung
generation, infected and healthy image subtraction, and binary lesion mask
creation. The lung volume volume was firstly delineated using a pre-trained
U-net and worked as the input for the later network. The cycle-GAN was
developed to generate synthetic "healthy" lung CT images from infected lung
images. After that, the pneumonia lesions are extracted by subtracting the
synthetic "healthy" lung CT images from the "infected" lung CT images. A median
filter and K-means clustering were then applied to contour the lesions. The
auto segmentation approach was validated on two public datasets (Coronacases
and Radiopedia). The Dice coefficients reached 0.748 and 0.730, respectively,
for the Coronacases and Radiopedia datasets. Meanwhile, the precision and
sensitivity for lesion segmentationdetection are 0.813 and 0.735 for the
Coronacases dataset, and 0.773 and 0.726 for the Radiopedia dataset. The
performance is comparable to existing supervised segmentation networks and
outperforms previous unsupervised ones. The proposed unsupervised segmentation
method achieved high accuracy and efficiency in automatic COVID-19 lesion
delineation. The segmentation result can serve as a baseline for further manual
modification and a quality assurance tool for lesion diagnosis. Furthermore,
due to its unsupervised nature, the result is not influenced by physicians'
experience which otherwise is crucial for supervised methods.
- Abstract(参考訳): 新型コロナウイルス(covid-19)は世界的なパンデミックとなり、いまだに国民に深刻な健康リスクをもたらしている。
CTスキャンにおける肺炎病変の精密かつ効率的な分節化は治療決定に不可欠である。
そこで我々は, 周期一貫した生成逆数ネットワーク (cycle-GAN) を用いた新しい教師なしアプローチを提案し, 病変のデライン化のプロセスを自動化する。
ワークフローには、肺体積分割、健康な肺生成、感染および健康な画像減算、二成分性病変マスクの作成が含まれる。
肺容積は事前に訓練されたu-netを用いて線画され、後のネットワークのインプットとして機能した。
サイクルGANは、感染した肺画像から「健康」な肺CT画像を生成するために開発された。
その後、「感染した」肺ct画像から合成された「健康」肺ct画像を減算して肺炎病変を抽出する。
中央フィルターとk-meansクラスタリングを用いて病変の輪郭形成を行った。
オートセグメンテーションアプローチは2つのパブリックデータセット(coronacasesとradiopedia)で検証された。
dice係数はコロナケースとラジオペディアデータセットでそれぞれ0.748と0.730に達した。
一方、病変検出の精度と感度は、コロナケースデータセットの0.813と0.735、Radiopediaデータセットの0.773と0.726である。
この性能は既存の教師付きセグメンテーションネットワークに匹敵し、以前の教師なしセグメンテーションネットワークに匹敵する。
提案手法は, 自動デラインの精度と効率性を向上した。
分節結果は、さらに手作業による修正の基準となり、病変診断のための品質保証ツールとなる。
さらに、その管理されていない性質から、この結果は、監督方法に不可欠な医師の経験に影響されない。
関連論文リスト
- Shape-aware synthesis of pathological lung CT scans using CycleGAN for enhanced semi-supervised lung segmentation [0.0]
本稿では,画像-画像間翻訳におけるCycleGANの使用を強調した。
既存の真実と一致する偽の病理画像を生成することができる拡張方法を提供する。
本研究の予備的な結果は, 質的, 定量的に有意な改善を示すものである。
論文 参考訳(メタデータ) (2024-05-14T12:45:49Z) - An Efficient and Robust Method for Chest X-Ray Rib Suppression that
Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。
従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。
本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。
2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
論文 参考訳(メタデータ) (2023-02-19T23:47:02Z) - A novel unsupervised covid lung lesion segmentation based on the lung
tissue identification [0.0]
コビッド19のDL-CovidとDL-Normと呼ばれる2つのモデルと正常患者の2つのモデルが、肺組織同定のためのボクセル単位の確率マップを生成する。
コビッド病変を検出するために、コビッド患者のCT画像をDL-CovidモデルとDL-Normモデルで処理し、2つの肺確率マップを得る。
The probability map of the Covid infections could be generated through the subtraction of the two lung probability map obtained from the DL-Covid and DL-Norm model。
論文 参考訳(メタデータ) (2022-02-24T15:33:21Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - 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) - Development of a Multi-Task Learning V-Net for Pulmonary Lobar
Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。
この影響は、肺葉を分節する機械学習手法の改善を動機づけた。
このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
論文 参考訳(メタデータ) (2021-05-11T17:10:25Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳(メタデータ) (2021-05-06T10:21:28Z) - CT Image Segmentation for Inflamed and Fibrotic Lungs Using a
Multi-Resolution Convolutional Neural Network [6.177921466996229]
本研究の目的は, 各種密度増強肺異常に対して頑健な完全自動セグメンテーションアルゴリズムを開発することである。
急性肺障害を患うヒトの左肺と右肺に特異的にラベル付けされた肺と非特異的にラベル付けされた肺の両方を1つのニューラルネットワークのトレーニングに組み込んだ多形性訓練手法が提案されている。
結果として生じるネットワークは、ヒトの左右の肺領域を、びまん性オパーシフィケーションと凝縮を伴わずに予測することを目的としている。
論文 参考訳(メタデータ) (2020-10-16T18:25:59Z) - 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) - 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) - 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)
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。