論文の概要: A novel unsupervised covid lung lesion segmentation based on the lung
tissue identification
- arxiv url: http://arxiv.org/abs/2202.12148v1
- Date: Thu, 24 Feb 2022 15:33:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 18:06:58.740929
- Title: A novel unsupervised covid lung lesion segmentation based on the lung
tissue identification
- Title（参考訳）: 肺組織同定に基づく新しい非教師なし肺病変分画法
- Authors: Faeze Gholamian Khah, Samaneh Mostafapour, Seyedjafar Shojaerazavi,
Nouraddin Abdi-Goushbolagh, Hossein Arabi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study aimed to evaluate the performance of a novel unsupervised deep
learning-based framework for automated infections lesion segmentation from CT
images of Covid patients. In the first step, two residual networks were
independently trained to identify the lung tissue for normal and Covid patients
in a supervised manner. These two models, referred to as DL-Covid and DL-Norm
for Covid-19 and normal patients, respectively, generate the voxel-wise
probability maps for lung tissue identification. To detect Covid lesions, the
CT image of the Covid patient is processed by the DL-Covid and DL-Norm models
to obtain two lung probability maps. Since the DL-Norm model is not familiar
with Covid infections within the lung, this model would assign lower
probabilities to the lesions than the DL-Covid. Hence, the probability maps of
the Covid infections could be generated through the subtraction of the two lung
probability maps obtained from the DL-Covid and DL-Norm models. Manual lesion
segmentation of 50 Covid-19 CT images was used to assess the accuracy of the
unsupervised lesion segmentation approach. The Dice coefficients of 0.985 and
0.978 were achieved for the lung segmentation of normal and Covid patients in
the external validation dataset, respectively. Quantitative results of
infection segmentation by the proposed unsupervised method showed the Dice
coefficient and Jaccard index of 0.67 and 0.60, respectively. Quantitative
evaluation of the proposed unsupervised approach for Covid-19 infectious lesion
segmentation showed relatively satisfactory results. Since this framework does
not require any annotated dataset, it could be used to generate very large
training samples for the supervised machine learning algorithms dedicated to
noisy and/or weakly annotated datasets.
- Abstract（参考訳）: 本研究の目的は,Covid 病患者のCT 画像から自動感染検出のための非教師なし深層学習フレームワークの性能を評価することである。
最初のステップでは、2つの残存ネットワークを個別に訓練し、正常およびコビッド患者の肺組織を監督的に同定した。
これら2つのモデルはそれぞれdl-covidとdl-normと呼ばれ、肺組織同定のためのvoxel-wise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。
DL-Normモデルでは肺内のコビッド感染に慣れていないため、このモデルはDL-Covidよりも低い確率を病変に割り当てる。
したがって, DL-CovidモデルとDL-Normモデルから得られた2つの肺確率マップを抽出することにより, Covid感染の確率マップを生成することができた。
コビッド19のCT画像50枚を手指の病変分割法を用いて,教師なし病変分割法の精度を評価した。
dice係数は0.985, 0.978で, 正常者および新型コロナ患者の肺分画をそれぞれ測定した。
非教師なし法による感染分画の定量化の結果,dice係数は0.67,jaccard指数は0.60であった。
感染性病変セグメンテーションに対する非監督的アプローチの定量的評価は,比較的良好な結果を示した。
このフレームワークはアノテートデータセットを必要としないため、ノイズや弱いアノテートデータセットに特化した教師付き機械学習アルゴリズムのための非常に大規模なトレーニングサンプルを生成するために使用できる。
関連論文リスト
- 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) - 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) - Unsupervised COVID-19 Lesion Segmentation in CT Using Cycle Consistent
Generative Adversarial Network [9.845581652243583]
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。
論文 参考訳（メタデータ） (2021-11-23T01:47:34Z) - 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) - 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) - Systematic investigation into generalization of COVID-19 CT deep
learning models with Gabor ensemble for lung involvement scoring [9.94980188821453]
本研究は,COVID-19 CTデータを用いたキーパブリッシュモデルの一般化可能性について検討する。
次に、独立した新しいデータセットを使用して、新型コロナウイルスの重症度に関するこれらのモデルの予測能力を評価する。
論文 参考訳（メタデータ） (2021-04-20T03:49:48Z) - 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) - Rapid quantification of COVID-19 pneumonia burden from computed
tomography with convolutional LSTM networks [1.0072268949897432]
新型肺炎における肺病変の迅速定量と分化のための新しい完全自動化ディープラーニングフレームワークを提案する。
SARS-CoV-2の陽性逆転写ポリメラーゼ連鎖反応試験結果を有する197例のCTデータセット上で,この方法の性能を評価した。
論文 参考訳（メタデータ） (2021-03-31T22:09:14Z) - 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) - 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。