論文の概要: A Deep Ensemble Learning Approach to Lung CT Segmentation for COVID-19 Severity Assessment

• arxiv url: http://arxiv.org/abs/2207.02322v1
• Date: Tue, 5 Jul 2022 21:28:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 14:22:06.593640
• Title: A Deep Ensemble Learning Approach to Lung CT Segmentation for COVID-19 Severity Assessment
• Title（参考訳）: 重症度評価のための肺ct分割法に対する深部アンサンブル学習法
• Authors: Tal Ben-Haim, Ron Moshe Sofer, Gal Ben-Arie, Ilan Shelef and Tammy Riklin-Raviv
• Abstract要約: 新型コロナウイルス患者の肺CTの分類的セグメンテーションに対する新しい深層学習手法を提案する。 病理組織は正常な肺組織,非肺領域,および2つの異なる,しかし視覚的に類似した,病理組織に区分した。 提案するフレームワークは,3つのCOVID-19データセットの競合結果と優れた一般化機能を実現する。
• 参考スコア（独自算出の注目度）: 0.5512295869673147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel deep learning approach to categorical segmentation of lung CTs of COVID-19 patients. Specifically, we partition the scans into healthy lung tissues, non-lung regions, and two different, yet visually similar, pathological lung tissues, namely, ground-glass opacity and consolidation. This is accomplished via a unique, end-to-end hierarchical network architecture and ensemble learning, which contribute to the segmentation and provide a measure for segmentation uncertainty. The proposed framework achieves competitive results and outstanding generalization capabilities for three COVID-19 datasets. Our method is ranked second in a public Kaggle competition for COVID-19 CT images segmentation. Moreover, segmentation uncertainty regions are shown to correspond to the disagreements between the manual annotations of two different radiologists. Finally, preliminary promising correspondence results are shown for our private dataset when comparing the patients' COVID-19 severity scores (based on clinical measures), and the segmented lung pathologies. Code and data are available at our repository: https://github.com/talbenha/covid-seg
• Abstract（参考訳）: 新型コロナウイルス患者の肺CTの分類的セグメンテーションに対する新しい深層学習手法を提案する。 具体的には、スキャンを健康な肺組織、非lung領域、および2つの異なる、しかし視覚的に類似した病的肺組織、すなわちグラウンドグラス不透明性と固化に分割する。 これは、セグメンテーションに寄与し、セグメンテーションの不確実性の尺度を提供する、ユニークなエンドツーエンドの階層的ネットワークアーキテクチャとアンサンブル学習によって達成される。 提案するフレームワークは,3つのCOVID-19データセットの競合結果と優れた一般化機能を実現する。 本手法は, COVID-19 CT画像セグメンテーションのためのKaggleコンペティションで2位にランクされている。 さらに, セグメンテーションの不確実性領域は, 2つの異なる放射線学者の手動アノテーションの相違に対応していることが示された。 最後に, 症例の重症度スコア(臨床測定値に基づく)と, 分節肺病理組織との比較において, 予備的な有望な対応結果が得られた。 コードとデータは、私たちのリポジトリで利用可能です。

関連論文リスト

• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• 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)
• 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)
• Quadruple Augmented Pyramid Network for Multi-class COVID-19 Segmentation via CT [1.6815638149823744]
  新型コロナウイルス(COVID-19)は、世界で最も深刻な感染症の1つとなっています。 本稿では,放射線科医が肺の容積を推定するためのマルチクラスctセグメンテーションを提案する。
  論文  参考訳（メタデータ） (2021-03-09T16:48:15Z)
• Exploiting Shared Knowledge from Non-COVID Lesions for Annotation-Efficient COVID-19 CT Lung Infection Segmentation [10.667692828593125]
  新型コロナウイルスの肺感染分画における相関駆動型協調学習モデルを提案する。 我々は、抽出された特徴間の関係の整合性を調整するために、COVIDと非COVIDの病変間の共通知識を利用する。 本手法は,高品質なアノテーションが不足している既存手法と比較して,高いセグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2020-12-31T11:40:29Z)
• 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)
• 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)
• Deep Residual 3D U-Net for Joint Segmentation and Texture Classification of Nodules in Lung [91.3755431537592]
  肺結節の分類法, そのテクスチャ分類, 肺CT像による後続の推奨について検討した。 提案手法は, 一般的なU-Netアーキテクチャファミリに基づくニューラルネットワークモデルと, 共同結節分割とそのテクスチャ分類タスクと, フォローアップレコメンデーションのためのアンサンブルベースモデルから構成される。
  論文  参考訳（メタデータ） (2020-06-25T07:20:41Z)
• 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)
• Towards Data-Efficient Learning: A Benchmark for COVID-19 CT Lung and Infection Segmentation [28.437504408773147]
  肺と感染症のセグメンテーションのための3つのベンチマークを構築した。 異なるセグメンテーション手法の公正な比較のために、標準的なトレーニング、検証とテストの分割、評価メトリクス、対応するコードも提供します。 平均Dice similarity Coefficient (DSC) スコアは97.3%, 97.7%, 67.3%, 平均正規化表面Dice (NSD) スコアは90.6%, 91.4%, 左肺, 右肺, 感染では70.0%であった。
  論文  参考訳（メタデータ） (2020-04-27T01:31:48Z)

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。