論文の概要: COVID-19 Detection Using Segmentation, Region Extraction and
Classification Pipeline
- arxiv url: http://arxiv.org/abs/2210.02992v1
- Date: Thu, 6 Oct 2022 15:34:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 16:10:36.994818
- Title: COVID-19 Detection Using Segmentation, Region Extraction and
Classification Pipeline
- Title（参考訳）: セグメンテーション・地域抽出・分類パイプラインを用いたCOVID-19検出
- Authors: Kenan Morani
- Abstract要約: 本研究の目的は,CT画像の大規模かつ困難なデータベースから新型コロナウイルスを検出するパイプラインを提案することである。
提案パイプラインは、セグメンテーション部と、関心抽出部と、分類部とを含む。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose The main purpose in this study is to propose a pipeline for COVID-19
detection from a big and challenging database of Computed Tomography (CT)
images. The proposed pipeline includes a segmentation part, a region of
interest extraction part, and a classifier part. Methods The methodology used
in the segmentation part is traditional segmentation methods as well as UNet
based segmentation. In the classification part a Convolutional Neural Network
(CNN) was used to take the final diagnosis decisions. Results In the
segmentation part, the proposed segmentation methods show high dice scores on a
publicly vailable dataset. In the classification part, the results show high
accuracy on the validation partition of COV19-CT-DB dataset as well as higher
precision, recall, and macro F1 score. The classification results were compared
to our previous works other studies as well as on the same dataset. Conclusions
The improved work in this paper proposes efficient pipeline with a potential of
having clinical usage for COVID-19 detection and diagnosis via CT images.
The code is on github at https://github.com/IDU-CVLab/COV19D_3rd
- Abstract（参考訳）: 目的 この研究の主な目的は、CT画像の大規模かつ挑戦的なデータベースから、COVID-19検出のためのパイプラインを提案することである。
提案パイプラインは、セグメンテーション部と、関心領域抽出部と、分類部とを含む。
メソッド セグメンテーションで使われる方法論は、UNetベースのセグメンテーションと同様に伝統的なセグメンテーションメソッドである。
分類部では、最終診断決定のために畳み込みニューラルネットワーク(CNN)が使用された。
結果 セグメンテーション部では, 提案したセグメンテーション法は, 公開可能なデータセット上で高いダイススコアを示す。
分類部では,COV19-CT-DBデータセットの検証分割に対して高い精度を示し,高い精度,リコール,マクロF1スコアを示した。
分類結果は、以前の研究や同じデータセットで行った他の研究と比較された。
結論 本稿では,CT画像による新型コロナウイルスの検出と診断に臨床応用の可能性のある,効率的なパイプラインを提案する。
コードはgithubのhttps://github.com/idu-cvlab/cov19d_3rdにある。
関連論文リスト
- CT-xCOV: a CT-scan based Explainable Framework for COVid-19 diagnosis [6.2997667081978825]
CT-xCOVは、Deep Learning(DL)をCTスキャンに用いた新型コロナウイルス診断のための説明可能なフレームワークである。
肺のセグメンテーションでは、よく知られたU-Netモデルを使用し、COVID-19検出では、3つの異なるCNNアーキテクチャを比較した。
視覚的説明のために、我々は3つの異なるXAI技術、すなわちGrad-Cam、Integrated Gradient (IG)、LIMEを適用した。
論文 参考訳（メタデータ） (2023-11-24T13:14:10Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - A Deep Ensemble Learning Approach to Lung CT Segmentation for COVID-19
Severity Assessment [0.5512295869673147]
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。
論文 参考訳（メタデータ） (2022-07-05T21:28:52Z) - 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) - Dense Pixel-Labeling for Reverse-Transfer and Diagnostic Learning on
Lung Ultrasound for COVID-19 and Pneumonia Detection [0.039025665763971464]
セグメンテーションモデルを分類モデルに変換するアーキテクチャを提案する。
重み付けとスパースセグメンテーションラベリングを比較し,その診断分類への影響について検討した。
論文 参考訳（メタデータ） (2022-01-25T08:19:11Z) - 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) - CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。
我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
論文 参考訳（メタデータ） (2021-10-29T18:41:15Z) - Automatic CT Segmentation from Bounding Box Annotations using
Convolutional Neural Networks [2.554905387213585]
提案手法は,1)k平均クラスタリングによる境界ボックスアノテーションを用いた擬似マスクの生成,2)分割モデルとして3次元U-Net畳み込みニューラルネットワークを反復的に訓練する。
肝臓、脾臓、腎臓のセグメンテーションでは、それぞれ95.19%、92.11%、91.45%の精度を達成した。
論文 参考訳（メタデータ） (2021-05-29T14:48:16Z) - Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional
Neural Networks [5.3123694982708365]
QBSPECT(Quantitative bone single-photon emission Computed Tomography)は、平面骨シンチグラフィよりも骨転移をより定量的に評価する可能性を秘めています。
解剖学的領域-関心(ROI)のセグメント化は、まだ専門家による手動の記述に大きく依存しています。
本研究では,QBSPECT画像を病変,骨,背景に分割するための高速かつ堅牢な自動分割法を提案する。
論文 参考訳（メタデータ） (2021-04-17T19:03:52Z) - 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) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。