論文の概要: Incremental Value and Interpretability of Radiomics Features of Both
Lung and Epicardial Adipose Tissue for Detecting the Severity of COVID-19
Infection
- arxiv url: http://arxiv.org/abs/2301.12340v2
- Date: Wed, 6 Dec 2023 19:53:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-08 19:11:01.128312
- Title: Incremental Value and Interpretability of Radiomics Features of Both
Lung and Epicardial Adipose Tissue for Detecting the Severity of COVID-19
Infection
- Title（参考訳）: 新型コロナウイルス感染症の重症度検出のための肺・心外脂肪組織の放射線学的特徴の増大と解釈可能性
- Authors: Ni Yao, Yanhui Tian, Daniel Gama das Neves, Chen Zhao, Claudio Tinoco
Mesquita, Wolney de Andrade Martins, Alair Augusto Sarmet Moreira Damas dos
Santos, Yanting Li, Chuang Han, Fubao Zhu, Neng Dai, Weihua Zhou
- Abstract要約: 現在のセグメンテーション法は位置情報を考慮していない。
新型コロナウイルス(COVID-19)の検出は、解釈可能性を制限するEATラジオミクスの特徴に対する厳格な考慮を欠いている。
本研究は、新型コロナウイルス感染症の重症度を検出するために、EATおよび肺からの放射能の特徴を用いることを検討する。
- 参考スコア（独自算出の注目度）: 4.772846544299196
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Epicardial adipose tissue (EAT) is known for its pro-inflammatory properties
and association with Coronavirus Disease 2019 (COVID-19) severity. However,
current EAT segmentation methods do not consider positional information.
Additionally, the detection of COVID-19 severity lacks consideration for EAT
radiomics features, which limits interpretability. This study investigates the
use of radiomics features from EAT and lungs to detect the severity of COVID-19
infections. A retrospective analysis of 515 patients with COVID-19 (Cohort1:
415, Cohort2: 100) was conducted using a proposed three-stage deep learning
approach for EAT extraction. Lung segmentation was achieved using a published
method. A hybrid model for detecting the severity of COVID-19 was built in a
derivation cohort, and its performance and uncertainty were evaluated in
internal (125, Cohort1) and external (100, Cohort2) validation cohorts. For EAT
extraction, the Dice similarity coefficients (DSC) of the two centers were
0.972 (+-0.011) and 0.968 (+-0.005), respectively. For severity detection, the
hybrid model with radiomics features of both lungs and EAT showed improvements
in AUC, net reclassification improvement (NRI), and integrated discrimination
improvement (IDI) compared to the model with only lung radiomics features. The
hybrid model exhibited an increase of 0.1 (p<0.001), 19.3%, and 18.0%
respectively, in the internal validation cohort and an increase of 0.09
(p<0.001), 18.0%, and 18.0%, respectively, in the external validation cohort
while outperforming existing detection methods. Uncertainty quantification and
radiomics features analysis confirmed the interpretability of case prediction
after inclusion of EAT features.
- Abstract（参考訳）: 心膜脂肪組織(EAT)は、その炎症抑制作用とコロナウイルス病2019(COVID-19)重症度との関連で知られている。
しかし,現在のイートセグメンテーション法は位置情報を考慮していない。
さらに、新型コロナウイルスの重症度の検出には、解釈可能性を制限するEAT放射能の特徴が考慮されていない。
本研究は、新型コロナウイルス感染症の重症度を検出するために、EATおよび肺からの放射能の特徴を用いることを検討する。
コホート1:415,コホート2:100(cohort1:415)の515例について,食事抽出のための3段階の深層学習法を用いてふりかえり分析を行った。
肺分画は出版法を用いて達成した。
派生コホートに新型コロナウイルスの重症度を検出するハイブリッドモデルを構築し, 内部(125, Cohort1)と外部(100, Cohort2)の検証コホートで性能と不確実性を評価した。
EAT抽出では,Dice類似係数(DSC)はそれぞれ0.972(+-0.011),0.968(+-0.005)であった。
重症度検出のために, 肺と食の両方の放射能特性を有するハイブリッドモデルでは, 肺放射能のみのモデルと比較して, auc, net reclassification improvement (nri) およびintegrated discrimination improvement (idi) が改善した。
ハイブリッドモデルは, 内部検証コホートにおいてそれぞれ0.1(p<0.001), 19.3%, 18.0%, 外部検証コホートでは0.09(p<0.001), 18.0%, 18.0%の上昇を示した。
不確かさの定量化と放射線学的特徴分析により,EAT特徴の包含後の症例予測の解釈可能性が確認された。
関連論文リスト
- Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive
Learning [19.948079693716075]
提案するAIモデルは、教師付きコントラスト学習を利用して、CXR診断におけるバイアスを最小限にする。
77,887個のCXR画像を用いたMIDRCデータセットと,112,120個のCXR画像を用いたNIH Chest X-rayデータセットの2つのデータセットについて評価を行った。
論文 参考訳（メタデータ） (2024-01-25T20:03:57Z) - Deep learning automated quantification of lung disease in pulmonary
hypertension on CT pulmonary angiography: A preliminary clinical study with
external validation [0.0]
本研究は,CTPA(CTPA)における肺テクスチャ分類のための人工知能(AI)深層学習モデルの開発を目的とする。
The Fleishner Society glossary of terms were classified as the "Normal", "Ground glass, "Ground glass with reticulation", "Honeycombing", and "Emphysema" were classified as the Fleishner Society glossary of terms。
各テクスチャに対する肺容積の分布は、肺全容のパッチを分類して算出し、肺小葉全体にわたって粗いテクスチャ分類を作成した。
論文 参考訳（メタデータ） (2023-03-20T14:06:32Z) - Automated assessment of disease severity of COVID-19 using artificial
intelligence with synthetic chest CT [13.44182694693376]
公開データセットを用いた胸部CT画像の合成にデータ拡張を取り入れた。
合成画像とマスクは、2D U-netニューラルネットワークのトレーニングに使われ、203のCOVID-19データセットでテストされた。
論文 参考訳（メタデータ） (2021-12-11T02:03:30Z) - Lung Ultrasound Segmentation and Adaptation between COVID-19 and
Community-Acquired Pneumonia [0.17159130619349347]
深層ニューラルネットワークを用いた超音声的B線分割作業に着目する。
我々は、COVID-19とCAP肺超音波データの両方を用いて、ネットワークをトレーニングする。
いずれかのタイプの肺疾患を推測する際には、様々な臨床応用が期待できる。
論文 参考訳（メタデータ） (2021-08-06T14:17:51Z) - 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) - FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。
FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。
FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文 参考訳（メタデータ） (2020-10-30T03:17:31Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Machine Learning Automatically Detects COVID-19 using Chest CTs in a
Large Multicenter Cohort [43.99203831722203]
16施設2096例の胸部CT検査を行った。
新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。
深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
論文 参考訳（メタデータ） (2020-06-09T00:40:35Z) - Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community
Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。
特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。
我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文 参考訳（メタデータ） (2020-05-06T09:56:51Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z) - Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using
Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。
ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。
新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文 参考訳（メタデータ） (2020-03-26T15:49:32Z)
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。