論文の概要: Transferability limitations for Covid 3D Localization Using SARS-CoV-2 segmentation models in 4D CT images

• arxiv url: http://arxiv.org/abs/2208.08343v1
• Date: Mon, 25 Jul 2022 10:43:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-28 22:36:47.900760
• Title: Transferability limitations for Covid 3D Localization Using SARS-CoV-2 segmentation models in 4D CT images
• Title（参考訳）: 4次元CT画像におけるSARS-CoV-2セグメンテーションモデルを用いたコビッド3次元位置決めの伝達可能性制限
• Authors: Constantine Maganaris, Eftychios Protopapadakis, Nikolaos Bakalos, Nikolaos Doulamis, Dimitris Kalogeras, Aikaterini Angeli
• Abstract要約: 深層学習モデルを用いたCT画像における肺炎感染領域のセマンティックセグメンテーションにおける転写可能性の限界について検討した。 実験結果から,Covidセグメンテーションモデルを作成する際には,転送可能性について慎重に検討する必要があることが示唆された。
• 参考スコア（独自算出の注目度）: 8.026717228180935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we investigate the transferability limitations when using deep learning models, for semantic segmentation of pneumonia-infected areas in CT images. The proposed approach adopts a 4 channel input; 3 channels based on Hounsfield scale, plus one channel (binary) denoting the lung area. We used 3 different, publicly available, CT datasets. If the lung area mask was not available, a deep learning model generates a proxy image. Experimental results suggesting that transferability should be used carefully, when creating Covid segmentation models; retraining the model more than one times in large sets of data results in a decrease in segmentation accuracy.
• Abstract（参考訳）: 本稿では, 深層学習モデルを用いたCT画像における肺炎感染領域のセマンティックセグメンテーションの伝達可能性限界について検討する。 提案手法では,hounsfield scaleに基づく3チャンネルと肺領域を示す1チャンネル (binary) の4チャンネル入力を用いた。 利用可能な3種類のCTデータセットを使用しました。 肺領域マスクが利用できない場合、深層学習モデルがプロキシ画像を生成する。 Covidセグメンテーションモデルを作成する際には、トランスファービリティーを慎重に使用すべきであることを示す実験結果が提示され、大量のデータセットでモデルを1回以上再トレーニングすることで、セグメンテーションの精度が低下する。

関連論文リスト

• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• CT-LungNet: A Deep Learning Framework for Precise Lung Tissue Segmentation in 3D Thoracic CT Scans [1.1014741301167645]
  本稿では,3次元肺CT画像中の肺をディープネットワークと転写学習を用いて同定する完全自動手法を提案する。 VESSEL12とCRPFの2つの公開データセットとトレーニングとテストのために,LUNA16という1つの公開データセットを用いて定量的に評価した。
  論文  参考訳（メタデータ） (2022-12-28T17:37:08Z)
• Two-stage Contextual Transformer-based Convolutional Neural Network for Airway Extraction from CT Images [17.45239343953272]
  CT画像を用いた気道セグメンテーションのための新しい2段階3次元コンテクスト変換器U-Netを提案する。 この方法は2つの段階から構成され、初期および改良された気道セグメンテーションを実行する。 第1段階では、サブネットに全気道マスクとCT画像が設けられ、サブネットに肺内マスクと対応するCTスキャンが提供される。
  論文  参考訳（メタデータ） (2022-12-15T08:18:37Z)
• Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
  CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。 現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。 既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
  論文  参考訳（メタデータ） (2022-11-10T13:11:21Z)
• Airway Tree Modeling Using Dual-channel 3D UNet 3+ with Vesselness Prior [1.471992435706872]
  肺気道ツリーモデリングは肺疾患の診断、特にX線CT(CT)に必須である 本研究では,Frangiフィルタ[5]とUNet 3+[11]を組み合わせて,デュアルチャネルUNet 3+を開発する。
  論文  参考訳（メタデータ） (2022-08-30T03:16:19Z)
• Evaluating Transferability for Covid 3D Localization Using CT SARS-CoV-2 segmentation models [8.026717228180935]
  本稿では,CT画像中の肺炎感染領域のセマンティックセグメンテーションにおけるディープラーニングモデル転送可能性の有用性について検討する。 本研究は,特定のCTデータセットを用いて,トレーニング済みのU-Netアーキテクチャを用いて,異なるデータセットの画像に対するCovid-19副作用を特定することの有効性を検討する。
  論文  参考訳（メタデータ） (2022-05-04T16:15:25Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• QU-net++: Image Quality Detection Framework for Segmentation of 3D Medical Image Stacks [0.9594432031144714]
  U-net++モデルを用いて3次元画像スタックから医用画像の品質を評価する2段階自動評価手法を提案する。 検出された画像は、セマンティックセグメンテーションのためにU-net++モデルをさらに微調整するために使用することができる。
  論文  参考訳（メタデータ） (2021-10-27T05:28:02Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)

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。