論文の概要: Dual Windows Are Significant: Learning from Mediastinal Window and
Focusing on Lung Window
- arxiv url: http://arxiv.org/abs/2206.03803v1
- Date: Wed, 8 Jun 2022 10:59:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-09 20:54:18.964961
- Title: Dual Windows Are Significant: Learning from Mediastinal Window and
Focusing on Lung Window
- Title（参考訳）: 双対窓は重要である:縦隔窓からの学習と肺窓への焦点
- Authors: Qiuli Wang, Xin Tan, Chen Liu
- Abstract要約: 本稿では,連続する縦隔窓から特徴を学習する新しいDual Window RCNN Network (DWRNet)を提案する。
以上の結果から, 融解および代表的特徴は, 90.57%の精度で疾患コースの予測を改善することが示唆された。
- 参考スコア（独自算出の注目度）: 17.962208699493658
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Since the pandemic of COVID-19, several deep learning methods were proposed
to analyze the chest Computed Tomography (CT) for diagnosis. In the current
situation, the disease course classification is significant for medical
personnel to decide the treatment. Most previous deep-learning-based methods
extract features observed from the lung window. However, it has been proved
that some appearances related to diagnosis can be observed better from the
mediastinal window rather than the lung window, e.g., the pulmonary
consolidation happens more in severe symptoms. In this paper, we propose a
novel Dual Window RCNN Network (DWRNet), which mainly learns the distinctive
features from the successive mediastinal window. Regarding the features
extracted from the lung window, we introduce the Lung Window Attention Block
(LWA Block) to pay additional attention to them for enhancing the
mediastinal-window features. Moreover, instead of picking up specific slices
from the whole CT slices, we use a Recurrent CNN and analyze successive slices
as videos. Experimental results show that the fused and representative features
improve the predictions of disease course by reaching the accuracy of 90.57%,
against the baseline with an accuracy of 84.86%. Ablation studies demonstrate
that combined dual window features are more efficient than lung-window features
alone, while paying attention to lung-window features can improve the model's
stability.
- Abstract（参考訳）: 新型コロナウイルスのパンデミック以降,胸部CT(CT)を診断するための深層学習法がいくつか提案された。
現状では, 医療従事者が治療を決定する上で, 病コース分類が重要である。
これまでのディープラーニングベースの手法は、肺の窓から観察された特徴を抽出する。
しかし, 重篤な症状では肺の癒着が進行するなど, 肺の窓よりも縦隔の窓から診断にかかわる外観が観察されやすいことが証明されている。
本稿では,連続する縦隔窓から特徴を学習する新しいDWRNetを提案する。
肺窓から抽出した特徴について,縦隔・縦隔・縦隔の特徴を増強するために,肺窓留置ブロック(LWAブロック)を導入する。
さらに、CTスライス全体から特定のスライスを拾う代わりに、リカレントCNNを使用して、逐次スライスをビデオとして分析する。
実験の結果, 融解および代表的特徴は, 84.86%の精度でベースラインに対して90.57%の精度で疾患コースの予測を改善した。
アブレーション研究によれば、二重ウィンドウ機能は肺ウィンドウのみよりも効率的であるが、肺ウィンドウ機能に注意を払うとモデルの安定性が向上する。
関連論文リスト
- MSDet: Receptive Field Enhanced Multiscale Detection for Tiny Pulmonary Nodule [17.838015589388014]
肺結節は肺癌の早期診断における重要な指標である。
従来のCT画像撮影法は、煩雑な処置、低検出率、ローカライゼーション精度の低下に悩まされていた。
肺小結節検出のためのマルチスケールアテンションおよび受容野ネットワークであるMSDetを提案する。
論文 参考訳（メタデータ） (2024-09-21T06:08:23Z) - Study on Transfer Learning Capabilities for Pneumonia Classification in
Chest-X-Rays Image [11.076902397190961]
本研究では,トランスファーラーニングパラダイムを用いて,確立されたニューラルネットワークアーキテクチャが肺炎分類課題に及ぼす影響について検討する。
総合的な比較をするために、よく知られた12のImageNet事前訓練モデルを微調整し、健康な人の胸部X線を識別するために使用した。
実験は、合計6330枚の画像を使用して、列車、検証、テストセットに分割された。
論文 参考訳（メタデータ） (2021-10-06T14:00:18Z) - 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) - Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for
Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。
胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
論文 参考訳（メタデータ） (2021-03-06T02:16:41Z) - Pinball-OCSVM for early-stage COVID-19 diagnosis with limited
posteroanterior chest X-ray images [3.4935179780034247]
本研究は、新型コロナウイルス陽性のCXRサンプルを限定した状態で動作可能な、ピンボール損失関数に基づく1クラスサポートベクターマシン(PB-OCSVM)を提案する。
提案モデルの性能は従来のOCSVMや既存のディープラーニングモデルと比較し,実験結果から,提案モデルが最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2020-10-16T02:34:15Z) - 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) - PDCOVIDNet: A Parallel-Dilated Convolutional Neural Network Architecture
for Detecting COVID-19 from Chest X-Ray Images [1.4824891788575418]
新型コロナウイルスのパンデミックは、世界保健システムの繁栄を著しく損なわれ続けている。
胸部X線画像による放射線学的評価は,重要なスクリーニング技術の一つである。
胸部X線画像を用いた並列拡散畳み込みニューラルネットワークによる新型コロナウイルス検出システムを提案する。
論文 参考訳（メタデータ） (2020-07-29T12:28:16Z) - 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) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z) - COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。
近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。
本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
論文 参考訳（メタデータ） (2020-04-30T03:13:40Z)
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。