論文の概要: Pixel Wised Lesion Prediction on COVID-19 CT Imagery: A Comparative Analysis of Automated Image Segmentation Architectures

• arxiv url: http://arxiv.org/abs/2605.20459v1
• Date: Tue, 19 May 2026 20:13:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.360011
• Title: Pixel Wised Lesion Prediction on COVID-19 CT Imagery: A Comparative Analysis of Automated Image Segmentation Architectures
• Title（参考訳）: COVID-19 CT画像における画素幅の予測:自動画像分割アーキテクチャの比較分析
• Authors: Sarmad Khan, Arslan Shaukat, Umer Asgher, Basim Azam,
• Abstract要約: 本研究は、最先端のトレーニング済みバックボーンと組み合わせた現代セグメンテーションフレームワークを評価することを目的とする。 Unet、PSPNet、Linknet、FPNの4つの異なるディープラーニングアーキテクチャを6つの事前学習エンコーダに統合する。 画像セグメンテーションの文脈では,2値実験と多値実験の両方を対象とする。
• 参考スコア（独自算出の注目度）: 2.3332469289621787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, there has been a notable increase in the level of attention that is given to algorithms based on deep learning in the context of medical image segmentation. Nevertheless, the reliability of the field has been hindered due to the absence of a standardized methodology for performance analysis and the utilization of different datasets in previous research. The primary objective of the research is to comprehensively evaluate contemporary segmentation frameworks combined with state-of-the-art pre-trained backbones in order to accurately predict COVID-19 lesions in CT images. Moreover, this evaluation can serve as a point of reference for the segmentation of images in various other imaging scenarios. In order to accomplish this, we integrate four distinct deep learning architectures, namely Unet, PSPNet, Linknet, and FPN, with six pre-trained encoders, including VGG 19, DenseNet 121, Inception ResNet V2, MobileNet V2, SeresNet 101, and EfficientNet B0. This approach enables the development of diverse testing architectures. In the context of image segmentation, our research encompassed both binary and multi-class experimentation. The findings derived from our analysis of three distinct COVID-19 CT segmentation datasets indicate that deep learning architectures yield precise and efficient segmentation outcomes. Significantly, a maximum F1-Score of 98% was attained for binary class segmentation, while multi-class segmentation yielded F1-Scores of 75% and 77% across two separate datasets. The utilization of artificial intelligence and deep learning enhances the diagnostic process for pandemic diseases across multiple dimensions.
• Abstract（参考訳）: 近年,医用画像セグメンテーションの文脈において,深層学習に基づくアルゴリズムに対する注目度が顕著に上昇している。 それでも、パフォーマンス分析のための標準化された方法論が欠如し、以前の研究で異なるデータセットが利用できなかったため、フィールドの信頼性が損なわれている。 この研究の主な目的は、CT画像における新型コロナウイルスの病変を正確に予測するために、現代セグメンテーションフレームワークと最先端のトレーニング済みのバックボーンを組み合わせることを包括的に評価することである。 さらに、この評価は、他の様々な撮像シナリオにおける画像のセグメンテーションの基準点として機能する。 これを実現するために、Unet、PSPNet、Linknet、FPNという4つの異なるディープラーニングアーキテクチャを、VGG19、DenseNet 121、Inception ResNet V2、MobileNet V2、SeresNet 101、EfficientNet B0を含む6つの事前学習エンコーダと統合する。 このアプローチは多様なテストアーキテクチャの開発を可能にする。 画像セグメンテーションの文脈では,2値実験と多値実験の両方を対象とする。 この結果から, ディープラーニングアーキテクチャが高精度かつ効率的なセグメンテーション結果をもたらすことが示唆された。 F1スコアの最大98%はバイナリクラスセグメンテーションで達成され、マルチクラスセグメンテーションは2つの別々のデータセットで75%と77%のF1スコアを得た。 人工知能とディープラーニングの利用により、複数の次元にわたるパンデミック病の診断プロセスが強化される。

関連論文リスト

• Abnormalities and Disease Detection in Gastro-Intestinal Tract Images [2.5209477824050954]
  本研究は,リアルタイムアプリケーションにおけるGI画像の正確な分類とセグメント化の課題に対処する。 リアルタイム検出を支援するために,テクスチャと局所バイナリパターンを統合したニューラルネットワークを開発した。 ユーザビリティを向上させるために,Depth-Wise Separable Convolutionとニューラルネットワークアンサンブルを活用した2つのセグメンテーションツールが提案されている。
  論文  参考訳（メタデータ） (2026-03-23T10:13:56Z)
• J-RAS: Enhancing Medical Image Segmentation via Retrieval-Augmented Joint Training [0.0]
  本稿では,探索モデルとセグメンテーションモデルを統合したガイド画像セグメンテーションのジョイントトレーニング手法を提案する。 どちらのモデルも最適化されており、セグメンテーションモデルは取得した画像とマスクのペアを利用して解剖学的理解を深めることができる。 2つのベンチマークデータセット上で、U-Net、TransUNet、SAM、SegFormerを含む複数のセグメンテーションバックボーンにわたるJ-RASを検証する。
  論文  参考訳（メタデータ） (2025-10-11T01:53:28Z)
• Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview Learning for Medical Image Segmentation [3.1002416427168304]
  この論文は網膜血管セグメンテーションの課題に焦点を当てている。 深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。 効率的でシンプルな多視点学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-02T06:31:08Z)
• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Two layer Ensemble of Deep Learning Models for Medical Image Segmentation [0.2699900017799093]
  医用画像のセグメンテーションのための深層学習モデルの2層アンサンブルを提案する。 トレーニング画像の付加データとして、第1層の各モデルによって作成された各トレーニング画像画素の予測を用いる。 次に、各モデルが結合結果に異なる貢献をする重みに基づくスキームを用いて、第2層の予測を組み合わせる。
  論文  参考訳（メタデータ） (2021-04-10T16:52:34Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• Dense Contrastive Learning for Self-Supervised Visual Pre-Training [102.15325936477362]
  入力画像の2つのビュー間の画素レベルでの差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分)を最適化することにより自己教師学習を実現する。 ベースライン法であるMoCo-v2と比較すると,計算オーバーヘッドは1%遅かった。
  論文  参考訳（メタデータ） (2020-11-18T08:42:32Z)

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。