論文の概要: Automated assessment of disease severity of COVID-19 using artificial
intelligence with synthetic chest CT
- arxiv url: http://arxiv.org/abs/2112.05900v1
- Date: Sat, 11 Dec 2021 02:03:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-14 18:17:16.305490
- Title: Automated assessment of disease severity of COVID-19 using artificial
intelligence with synthetic chest CT
- Title(参考訳): 人工胸部CTを用いた人工知能によるCOVID-19の重症度自動評価
- Authors: Mengqiu Liu, Ying Liu, Yidong Yang, Aiping Liu, Shana Li, Changbing
Qu, Xiaohui Qiu, Yang Li, Weifu Lv, Peng Zhang, Jie Wen
- Abstract要約: 公開データセットを用いた胸部CT画像の合成にデータ拡張を取り入れた。
合成画像とマスクは、2D U-netニューラルネットワークのトレーニングに使われ、203のCOVID-19データセットでテストされた。
- 参考スコア(独自算出の注目度): 13.44182694693376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Triage of patients is important to control the pandemic of
coronavirus disease 2019 (COVID-19), especially during the peak of the pandemic
when clinical resources become extremely limited.
Purpose: To develop a method that automatically segments and quantifies lung
and pneumonia lesions with synthetic chest CT and assess disease severity in
COVID-19 patients.
Materials and Methods: In this study, we incorporated data augmentation to
generate synthetic chest CT images using public available datasets (285
datasets from "Lung Nodule Analysis 2016"). The synthetic images and masks were
used to train a 2D U-net neural network and tested on 203 COVID-19 datasets to
generate lung and lesion segmentations. Disease severity scores (DL: damage
load; DS: damage score) were calculated based on the segmentations.
Correlations between DL/DS and clinical lab tests were evaluated using
Pearson's method. A p-value < 0.05 was considered as statistical significant.
Results: Automatic lung and lesion segmentations were compared with manual
annotations. For lung segmentation, the median values of dice similarity
coefficient, Jaccard index and average surface distance, were 98.56%, 97.15%
and 0.49 mm, respectively. The same metrics for lesion segmentation were
76.95%, 62.54% and 2.36 mm, respectively. Significant (p << 0.05) correlations
were found between DL/DS and percentage lymphocytes tests, with r-values of
-0.561 and -0.501, respectively.
Conclusion: An AI system that based on thoracic radiographic and data
augmentation was proposed to segment lung and lesions in COVID-19 patients.
Correlations between imaging findings and clinical lab tests suggested the
value of this system as a potential tool to assess disease severity of
COVID-19.
- Abstract(参考訳): 背景: 新型コロナウイルス感染症(COVID-19)のパンデミック、特に臨床資源が極端に限られるパンデミックの最盛期には、患者のトリアージが重要である。
目的: 人工胸部CTで肺と肺炎の病変を自動的に分離・定量し, 重症度を評価する方法を開発すること。
材料と方法:本研究では,公共データセットを用いて人工胸部CT画像を生成するためにデータ拡張を取り入れた("Lung Nodule Analysis 2016"の285データセット)。
合成画像とマスクは、2DのU-netニューラルネットワークをトレーニングするために使用され、203のCOVID-19データセットで肺と病変のセグメンテーションを生成するためにテストされた。
疾患重症度スコア (DL: 損傷負荷, DS: 損傷スコア) は, セグメンテーションに基づいて算出した。
Pearson法を用いてDL/DSと臨床検査の相関性を検討した。
p値<0.05は統計的に有意であった。
結果: 自動肺分画と病変分画を手動注記と比較した。
肺分画では, dice類似度係数, jaccard指数, 表面距離の平均値は98.56%, 97.15%, 0.49mmであった。
病変分画の指標は76.95%, 62.54%, 2.36mmであった。
dl/dsとリンパ球比で有意な相関(p<0.05)を示し,r値は-0.561,-0.501であった。
結論: 胸部X線写真とデータ拡張に基づくAIシステムは, 新型コロナウイルス患者の肺と病変の分節化を目的として提案された。
画像所見と臨床検査の相関から、新型コロナウイルスの重症度を評価する潜在的なツールとして、このシステムの価値が示唆された。
関連論文リスト
- Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive
Learning [19.948079693716075]
提案するAIモデルは、教師付きコントラスト学習を利用して、CXR診断におけるバイアスを最小限にする。
77,887個のCXR画像を用いたMIDRCデータセットと,112,120個のCXR画像を用いたNIH Chest X-rayデータセットの2つのデータセットについて評価を行った。
論文 参考訳(メタデータ) (2024-01-25T20:03:57Z) - 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) - 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) - 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) - Machine Learning Automatically Detects COVID-19 using Chest CTs in a
Large Multicenter Cohort [43.99203831722203]
16施設2096例の胸部CT検査を行った。
新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。
深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
論文 参考訳(メタデータ) (2020-06-09T00:40:35Z) - 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) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳(メタデータ) (2020-04-15T12:30:40Z) - 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。