論文の概要: COVID-19 Infection Segmentation from Chest CT Images Based on Scale Uncertainty

• arxiv url: http://arxiv.org/abs/2201.03053v1
• Date: Sun, 9 Jan 2022 16:55:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-12 01:11:25.906033
• Title: COVID-19 Infection Segmentation from Chest CT Images Based on Scale Uncertainty
• Title（参考訳）: 大規模不確実性に基づく胸部CT画像からのCOVID-19感染分離
• Authors: Masahiro Oda, Tong Zheng, Yuichiro Hayashi, Yoshito Otake, Masahiro Hashimoto, Toshiaki Akashi, Shigeki Aoki, Kensaku Mori
• Abstract要約: 新型コロナウイルス(COVID-19)が世界中に広がり、多くの感染者や死亡者が出た。CT画像による新型コロナウイルスの診断は、迅速かつ正確な診断結果をもたらす可能性がある。 従来の方法は、全2D画像または3Dボリュームベースプロセスを使用する。 本稿では、パッチベースのセグメンテーションを行う感染セグメンテーションネットワーク(ISNet)と、セグメンテーション結果を洗練するスケール不確実性認識予測アグリゲーション手法を提案する。
• 参考スコア（独自算出の注目度）: 2.059505336444559
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a segmentation method of infection regions in the lung from CT volumes of COVID-19 patients. COVID-19 spread worldwide, causing many infected patients and deaths. CT image-based diagnosis of COVID-19 can provide quick and accurate diagnosis results. An automated segmentation method of infection regions in the lung provides a quantitative criterion for diagnosis. Previous methods employ whole 2D image or 3D volume-based processes. Infection regions have a considerable variation in their sizes. Such processes easily miss small infection regions. Patch-based process is effective for segmenting small targets. However, selecting the appropriate patch size is difficult in infection region segmentation. We utilize the scale uncertainty among various receptive field sizes of a segmentation FCN to obtain infection regions. The receptive field sizes can be defined as the patch size and the resolution of volumes where patches are clipped from. This paper proposes an infection segmentation network (ISNet) that performs patch-based segmentation and a scale uncertainty-aware prediction aggregation method that refines the segmentation result. We design ISNet to segment infection regions that have various intensity values. ISNet has multiple encoding paths to process patch volumes normalized by multiple intensity ranges. We collect prediction results generated by ISNets having various receptive field sizes. Scale uncertainty among the prediction results is extracted by the prediction aggregation method. We use an aggregation FCN to generate a refined segmentation result considering scale uncertainty among the predictions. In our experiments using 199 chest CT volumes of COVID-19 cases, the prediction aggregation method improved the dice similarity score from 47.6% to 62.1%.
• Abstract（参考訳）: そこで本研究では, 肺感染領域のct量から分離する手法を提案する。 新型コロナウイルスは世界中で感染し、多くの患者と死者を出した。 ct画像によるcovid-19診断は、迅速かつ正確な診断結果を提供することができる。 肺の感染部位の自動分離法は、診断のための定量的基準を提供する。 従来の方法は、全2D画像または3Dボリュームベースプロセスを使用する。 感染地域は、その大きさにかなりの変化がある。 このようなプロセスは、小さな感染症領域を簡単に見逃す。 パッチベースのプロセスは、小さなターゲットのセグメンテーションに有効である。 しかし,感染地域区分では適切なパッチサイズの選択が困難である。 セグメンテーションfcnの様々な受容野サイズ間のスケール不確実性を利用して感染領域を得る。 受信フィールドサイズはパッチサイズと、パッチをカットしたボリュームの解像度として定義することができる。 本稿では,パッチベースセグメンテーションを行う感染セグメンテーションネットワーク(isnet)と,セグメンテーション結果を洗練するスケール不確実性対応予測アグリゲーション手法を提案する。 我々は,様々な強度値のセグメント感染領域に対するisnetの設計を行う。 ISNetは複数のエンコーディングパスを持ち、複数の強度範囲で正規化されたパッチボリュームを処理する。 様々な受容場サイズを持つisnetによる予測結果を収集する。 予測集計法により,予測結果のスケール不確かさを抽出する。 集計fcnを用いて,予測間のスケール不確実性を考慮した洗練されたセグメント化結果を生成する。 199個の胸部ctデータを用いた実験では,dice類似度スコアを47.6%から62.1%に改善した。

関連論文リスト

• 3D PETCT Tumor Lesion Segmentation via GCN Refinement [4.929126432666667]
  グラフ畳み込みニューラルネットワーク(GCN)に基づく後処理手法を提案する。 MICCIA2022 autoPET ChallengeにおいてPET/CTデータセットの腫瘍分画実験を行った。 実験結果から, nnUNet-GCNの改良により偽陽性率が効果的に減少することが示唆された。
  論文  参考訳（メタデータ） (2023-02-24T10:52:08Z)
• COVID-19 Detection Using Segmentation, Region Extraction and Classification Pipeline [0.0]
  本研究の目的は,大規模かつ困難なCT画像データベースから新型コロナウイルス検出用パイプラインを開発することである。 セグメンテーション部で試みられた方法論は、UNetベースの手法と同様に伝統的なセグメンテーション法である。 分類部では、最終診断決定を行うために、コナールニューラルネットワーク(CNN)が使用された。
  論文  参考訳（メタデータ） (2022-10-06T15:34:29Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• 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)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• Automated Chest CT Image Segmentation of COVID-19 Lung Infection based on 3D U-Net [0.0]
  新型コロナウイルス(COVID-19)は世界中の何十億もの生命に影響を与え、公衆医療に大きな影響を与えている。 新型コロナウイルス感染地域のための革新的な自動セグメンテーションパイプラインを提案する。 本手法は,複数の前処理手法を実行することにより,一意およびランダムな画像パッチをオンザフライで生成する訓練に焦点をあてる。
  論文  参考訳（メタデータ） (2020-06-24T17:29:26Z)
• 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)
• 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)

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。