論文の概要: COVID-19 Detection Using Segmentation, Region Extraction and Classification Pipeline

• arxiv url: http://arxiv.org/abs/2210.02992v4
• Date: Wed, 29 Mar 2023 09:18:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 18:43:13.466348
• 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,大規模かつ困難なCT画像データベースから新型コロナウイルス検出用パイプラインを開発することである。 セグメンテーション部で試みられた方法論は、UNetベースの手法と同様に伝統的なセグメンテーション法である。 分類部では、最終診断決定を行うために、コナールニューラルネットワーク(CNN)が使用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The main purpose of this study is to develop 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 lung extraction part, and a classifier part. Optional slice removal techniques after UNet-based segmentation of slices were also tried. The methodologies tried in the segmentation part are traditional segmentation methods as well as UNet-based methods. In the classification part, a Convolutional Neural Network (CNN) was used to take the final diagnosis decisions. In terms of the results: in the segmentation part, the proposed segmentation methods show high dice scores on a publicly available dataset. In the classification part, the results were compared at slice-level and at patient-level as well. At slice-level, methods were compared and showed high validation accuracy indicating efficiency in predicting 2D slices. At patient level, the proposed methods were also compared in terms of validation accuracy and macro F1 score on the validation set. The dataset used for classification is COV-19CT Database. The method proposed here showed improvement from our precious results on the same dataset. In Conclusion, the improved work in this paper has potential clinical usages 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）: 本研究の目的は,ct画像の大規模かつ難解なデータベースからcovid-19検出のためのパイプラインを開発することである。 提案パイプラインは、セグメンテーション部と、肺抽出部と、分類部とを含む。 unetに基づくスライス分割後の任意のスライス除去手法も試みられた。 セグメンテーション部で試みられた方法論は、従来のセグメンテーション法とUNetベースの方法である。 分類部では,最終的な診断判断を行うために畳み込みニューラルネットワーク(cnn)を用いた。 結果について:セグメンテーション部では、提案するセグメンテーション手法は、公開データセット上で高いdiceスコアを示す。 分類部では,スライスレベルと患者レベルでも比較した。 スライスレベルで比較し,2次元スライス予測の効率を示す高い検証精度を示した。 患者レベルでは,バリデーションセットの検証精度とマクロf1スコアの観点からも提案手法を比較した。 分類に用いられるデータセットはCOV-19CT Databaseである。 提案手法は,同じデータセット上で得られた貴重な結果から改善した。 結論として,本論文では,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について述べる。 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。