論文の概要: Coarse-to-Fine Covid-19 Segmentation via Vision-Language Alignment

• arxiv url: http://arxiv.org/abs/2303.00279v1
• Date: Wed, 1 Mar 2023 07:01:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-02 15:53:41.942840
• Title: Coarse-to-Fine Covid-19 Segmentation via Vision-Language Alignment
• Title（参考訳）: 視覚言語アライメントによるCovid-19セグメンテーション
• Authors: Dandan Shan, Zihan Li, Wentao Chen, Qingde Li, Jie Tian, Qingqi Hong
• Abstract要約: テキスト情報をマージするためのビジョン・ランゲージアライメントによる粗大なセグメント化フレームワークであるC2FVLを提案する。 テキスト情報の導入により、ネットワークは挑戦的なデータセットの予測結果をより良いものにすることができる。 我々は胸部X線とCTを含む2つのCOVID-19データセットについて広範な実験を行い、提案手法が他の最先端セグメンテーション法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 6.754040546065469
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation of COVID-19 lesions can assist physicians in better diagnosis and treatment of COVID-19. However, there are few relevant studies due to the lack of detailed information and high-quality annotation in the COVID-19 dataset. To solve the above problem, we propose C2FVL, a Coarse-to-Fine segmentation framework via Vision-Language alignment to merge text information containing the number of lesions and specific locations of image information. The introduction of text information allows the network to achieve better prediction results on challenging datasets. We conduct extensive experiments on two COVID-19 datasets including chest X-ray and CT, and the results demonstrate that our proposed method outperforms other state-of-the-art segmentation methods.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)病変の分節化は、医師がcovid-19の診断と治療を改善するのに役立つ。 しかし、COVID-19データセットに詳細な情報や高品質のアノテーションがないため、関連する研究はほとんどない。 上記の問題を解決するために,画像情報の病変数と特定位置を含むテキスト情報をマージするために,ビジョン・ランゲージアライメントによる粗面分割フレームワークであるC2FVLを提案する。 テキスト情報の導入により、ネットワークは挑戦的なデータセットの予測結果をより良いものにすることができる。 我々は胸部X線とCTを含む2つのCOVID-19データセットについて広範な実験を行い、提案手法が他の最先端セグメンテーション法より優れていることを示す。

関連論文リスト

• COVIDx CXR-4: An Expanded Multi-Institutional Open-Source Benchmark Dataset for Chest X-ray Image-Based Computer-Aided COVID-19 Diagnostics [79.90346960083775]
  我々は,胸部X線画像を用いたコンピュータ支援型COVID-19診断のための,多施設のオープンソースベンチマークデータセットであるCOVIDx CXR-4を紹介する。 COVIDx CXR-4は、患者の総コホートサイズを2.66倍に増やすことで、前回のCOVIDx CXR-3データセットで大幅に拡大する。 患者人口、画像メタデータ、および疾患分布の多様性について広範な分析を行い、潜在的なデータセットバイアスを明らかにする。
  論文  参考訳（メタデータ） (2023-11-29T14:40:31Z)
• Enhancing COVID-19 Severity Analysis through Ensemble Methods [13.792760290422185]
  本稿では、新型コロナウイルス患者の感染症領域を抽出するためのドメイン知識に基づくパイプラインを提案する。 感染の重症度は、3つの機械学習モデルのアンサンブルを使用して異なるカテゴリに分類される。 提案システムは,AI-Enabled Medical Image Analysis WorkshopとCOVID-19診断コンペティションの検証データセットを用いて評価した。
  論文  参考訳（メタデータ） (2023-03-13T13:59:47Z)
• Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
  新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。 公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。 我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:57:04Z)
• 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)
• Multi-scale alignment and Spatial ROI Module for COVID-19 Diagnosis [13.31017458409054]
  本研究では,異なる解像度でコンテキスト情報を統合するために,深部空間ピラミッドプーリング(D-SPP)モジュールを提案する。 また,病変部位に注意を向け,無関係な情報から干渉を取り除くためのCIDモジュールも提案する。 以上の結果から,CTおよびCXR画像における新型コロナウイルスの病変の検出精度が向上した。
  論文  参考訳（メタデータ） (2022-07-04T12:07:17Z)
• COVIDx CT-3: A Large-scale, Multinational, Open-Source Benchmark Dataset for Computer-aided COVID-19 Screening from Chest CT Images [82.74877848011798]
  胸部CT画像から新型コロナウイルスの症例を検出するための大規模ベンチマークデータセットであるCOVIDx CT-3を紹介する。 COVIDx CT-3には、少なくとも17カ国で6,068人の患者から431,205個のCTスライスが含まれている。 我々は, COVIDx CT-3データセットのデータ多様性と潜在的なバイアスについて検討し, 地理的, 集団的不均衡について検討した。
  論文  参考訳（メタデータ） (2022-06-07T06:35:48Z)
• Calibrated Bagging Deep Learning for Image Semantic Segmentation: A Case Study on COVID-19 Chest X-ray Image [3.135883872525168]
  胸部X線(CXR)やCT(CT)などの画像検査は、臨床スタッフに有用な情報を提供することができる。 深層学習は、新型コロナウイルス感染症領域のセグメンテーションと疾患分類の実行に応用されている。 本研究では,バッジ深層学習とモデル校正を統合した新しいアンサンブル深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-27T20:06:45Z)
• Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
  本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。 このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
  論文  参考訳（メタデータ） (2021-03-01T06:05:49Z)
• Exploiting Shared Knowledge from Non-COVID Lesions for Annotation-Efficient COVID-19 CT Lung Infection Segmentation [10.667692828593125]
  新型コロナウイルスの肺感染分画における相関駆動型協調学習モデルを提案する。 我々は、抽出された特徴間の関係の整合性を調整するために、COVIDと非COVIDの病変間の共通知識を利用する。 本手法は,高品質なアノテーションが不足している既存手法と比較して,高いセグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2020-12-31T11:40:29Z)
• Multi-Task Driven Explainable Diagnosis of COVID-19 using Chest X-ray Images [61.24431480245932]
  COVID-19 Multi-Task Networkは、新型コロナウイルススクリーニングのためのエンドツーエンドネットワークである。 我々は,ChestXray-14,CheXpertおよび統合型COVID-19データセットから採取した9000個の前頭胸部X線写真から肺領域を手動で注釈した。 このデータベースは研究コミュニティに公開されます。
  論文  参考訳（メタデータ） (2020-08-03T12:52:23Z)
• Adaptive Feature Selection Guided Deep Forest for COVID-19 Classification with Chest CT [49.09507792800059]
  胸部CT画像に基づくCOVID-19分類のための適応的特徴選択ガイド付き深層林(AFS-DF)を提案する。 AFS-DF on COVID-19 data with 1495 patients of COVID-19 and 1027 patients of community acquired pneumonia (CAP)。
  論文  参考訳（メタデータ） (2020-05-07T06:00:02Z)

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。