論文の概要: Mixed Attention with Deep Supervision for Delineation of COVID Infection
in Lung CT
- arxiv url: http://arxiv.org/abs/2301.06961v1
- Date: Tue, 17 Jan 2023 15:36:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 13:41:47.179148
- Title: Mixed Attention with Deep Supervision for Delineation of COVID Infection
in Lung CT
- Title（参考訳）: 深部スーパービジョンと混合注意による肺CT検査
- Authors: Pallabi Dutta, Sushmita Mitra
- Abstract要約: 新しい深層学習アーキテクチャであるMiADS-Net(Mixed Attention Deeply Supervised Network)を提案する。
MiADS-Netは、COVID-19病変のセグメンテーションタスクにおいて、最先端のアーキテクチャよりも優れています。
- 参考スコア（独自算出の注目度）: 0.24366811507669117
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The COVID-19 pandemic, with its multiple variants, has placed immense
pressure on the global healthcare system. An early effective screening and
grading become imperative towards optimizing the limited available resources of
the medical facilities. Computed tomography (CT) provides a significant
non-invasive screening mechanism for COVID-19 infection. An automated
segmentation of the infected volumes in lung CT is expected to significantly
aid in the diagnosis and care of patients. However, an accurate demarcation of
lesions remains problematic due to their irregular structure and location(s)
within the lung. A novel deep learning architecture, Mixed Attention Deeply
Supervised Network (MiADS-Net), is proposed for delineating the infected
regions of the lung from CT images. Incorporating dilated convolutions with
varying dilation rates, into a mixed attention framework, allows capture of
multi-scale features towards improved segmentation of lesions having different
sizes and textures. Mixed attention helps prioritise relevant feature maps to
be probed, along with those regions containing crucial information within these
maps. Deep supervision facilitates discovery of robust and discriminatory
characteristics in the hidden layers at shallower levels, while overcoming the
vanishing gradient. This is followed by estimating the severity of the disease,
based on the ratio of the area of infected region in each lung with respect to
its entire volume. Experimental results, on three publicly available datasets,
indicate that the MiADS-Net outperforms several state-of-the-art architectures
in the COVID-19 lesion segmentation task; particularly in defining structures
involving complex geometries.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、複数のバリエーションとともに、世界の医療システムに大きなプレッシャーを与えている。
医療施設の限られた資源を最適化するために、早期に有効なスクリーニングとグレーディングが不可欠となる。
CT(Computed tomography)は、新型コロナウイルス感染症に対する重要な非侵襲スクリーニングメカニズムを提供する。
肺ctにおける感染量の自動分割は,患者の診断と治療において有意な助けとなることが期待される。
しかし, 肺内の不規則な構造や位置が原因で, 病変の正確な区切りが問題となっている。
ct画像から肺の感染領域を描出するための新しい深層学習アーキテクチャであるmixed attention deep supervised network (miads-net)を提案する。
拡張率の異なる拡張畳み込みを混合注目フレームワークに組み込むことで、サイズやテクスチャの異なる病変のセグメンテーションの改善に向けたマルチスケール特徴のキャプチャが可能になる。
混在した注意は、調査対象の機能マップと、これらのマップに重要な情報を含む領域を優先するのに役立つ。
深い監視は、消失する勾配を克服しながら、より浅いレベルの隠れた層におけるロバストで差別的な特性の発見を促進する。
続いて、各肺の感染領域の面積の全体量に対する比率に基づいて、疾患の重症度を推定する。
3つの公開データセットでの実験結果から、MiADS-Netは新型コロナウイルスの病変セグメンテーションタスクにおいて、特に複雑なジオメトリを含む構造を定義する際に、いくつかの最先端アーキテクチャよりも優れていることが示されている。
関連論文リスト
- Collective Intelligent Strategy for Improved Segmentation of COVID-19
from CT [0.2062593640149623]
本研究では, 深層学習と画像を用いた非侵襲的非侵襲ツールを提案する。
Ensembling Attention-based Multi-scaled Convolution Network (EAMC) は感染領域のアウトラインにおいて高い感度と精度を示す。
その臨床的意義は、遠隔地で専門的な医療を欠く患者に低コストな意思決定を提供することにおいて、前例のない範囲にある。
論文 参考訳（メタデータ） (2022-12-23T11:24:29Z) - Full-scale Deeply Supervised Attention Network for Segmenting COVID-19
Lesions [0.24366811507669117]
我々は,CT画像におけるコロナ感染領域の効率的なセグメンテーションのためのフルスケールDeeply Supervised Attention Network(FuDSA-Net)を紹介した。
モデルは、ネットワークの異なるレベルで取得されたマルチスカラー機能を含む、エンコーディングパスの全レベルからのアクティベーション応答を考察する。
マルチスカラー特性の全領域を新しいアテンション機構に組み込むことで、アクティベーション応答と有用な情報を含む位置の選択が優先される。
論文 参考訳（メタデータ） (2022-10-27T16:05:47Z) - Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection
Segmentation System [69.40329819373954]
新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。
現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。
本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
論文 参考訳（メタデータ） (2022-09-07T05:01:38Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - COVID-Net CT-S: 3D Convolutional Neural Network Architectures for
COVID-19 Severity Assessment using Chest CT Images [85.00197722241262]
我々は、新型コロナウイルス感染による肺疾患の重症度を予測するための深層畳み込みニューラルネットワークであるCOVID-Net CT-Sを紹介した。
3D残像設計を利用して、新型コロナウイルスの肺疾患の重症度を特徴付ける容積的視覚指標を学習する。
論文 参考訳（メタデータ） (2021-05-04T04:44:41Z) - CHS-Net: A Deep learning approach for hierarchical segmentation of
COVID-19 infected CT images [0.6091702876917281]
新型重症急性呼吸器症候群(SARS-CoV-2)のパンデミックが世界中で広がっています。
CT(Computerd Tomography)、X線などの医療画像は、臓器の構造に関する優れた詳細を提示することにより、患者の診断に重要な役割を果たします。
ディープラーニング技術は、新型コロナウイルスなどの疾患やウイルスの迅速な診断を支援するために、そのようなスキャンを分析する強みを示しています。
論文 参考訳（メタデータ） (2020-12-13T15:02:05Z) - Automatic Deep Learning System for COVID-19 Infection Quantification in
chest CT [0.0]
本稿では、新型コロナウイルス感染症領域のセグメンテーションのための自動深層学習システムを提案する。
提案するFCNは,連結スキップ接続を有する残差ブロックを改良したU-netアーキテクチャを用いて実装されている。
提案手法の一般化と有効性を示すため,多種多様なデータセットから抽出した多数の2次元CTスライスを用いて訓練・試験を行った。
論文 参考訳（メタデータ） (2020-10-01T21:05:59Z) - 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) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。