دانلود مقاله یک چارچوب ضعیف نظارت شده برای طبقه بندی کووید-19 و محلی سازی ضایعه از CT قفسه سینه (IEEE 2020)

ارسال توسط وب‌رویا در 2020, آی تریپل آی IEEE, انفورماتیک پزشکی, پزشکی, پزشکی عمومی, داده کاوی, داده کاوی در پزشکی, فناوری اطلاعات و کامپیوتر, مقالات کووید-19, هوش مصنوعی, هوش مصنوعی در پزشکی

دانلود مقاله یک چارچوب ضعیف نظارت شده برای طبقه بندی کووید-19 و محلی سازی ضایعه از CT قفسه سینه (IEEE 2020)

ترجمه فارسی چکیده مقاله:

تشخیص دقیق و سریع موارد مشکوک به کووید-19 نقش مهمی در قرنطینه درمان پزشکی به‌موقع دارد. تهیه یک مدل مبتنی بر یادگیری برای تشخیص خودکار کووید-19 در CT قفسه سینه برای مقابله با شیوع SARS-CoV-2 مفید است. چارچوب یادگیری عمیق بسیار ضعیف با استفاده از توده‌های سه بعدی CT برای طبقه بندی کووید-19 و محلی سازی ضایعه ایجاد شد. برای هر بیمار، منطقه ریه با استفاده از UNET از قبل آموزش دیده تقسیم می‌شود. سپس منطقه ریه 3D تقسیم شده به یک شبکه عصبی 3D عمیق تغذیه شد تا احتمال عفونت کووید-19 را پیش‌بینی کند. ضایعات کووید-19 با ترکیب مناطق فعال‌سازی در شبکه طبقه‌بندی و مؤلفه‌های متصل نشده نظارت نشده، بومی سازی می‌شوند. برای آموزش 499 توده CT و برای تست از 131 توده CT استفاده شده است. الگوریتم ما 0.959 ROC AUC و 0.976 PR AUC به دست آورد.
هنگام استفاده از آستانه احتمال 0.5 برای طبقه بندی کووید مثبت و کووید منفی، این الگوریتم دقت 0.901، مقدار پیش‌بینی مثبت 0.840 و ارزش پیش‌بینی منفی بسیار بالا 0.982 را بدست می‌آورد. این الگوریتم تنها 1.93 ثانیه طول کشید تا توده CT یک بیمار را با استفاده از یک پردازنده گرافیکی اختصاصی پردازش کند. مدل یادگیری عمیق با نظارت ضعیف ما با دقت می‌تواند احتمال عفونت کووید-19 را پیش‌بینی کند و مناطق ضایعه را در CT قفسه سینه بدون نیاز به حاشیه نویسی ضایعات برای آموزش کشف کند.
الگوریتم یادگیری عمیق به راحتی آموزش دیده و با کارایی بالا راهی سریع برای شناسایی بیماران کووید-19 فراهم می‌کند، که برای کنترل شیوع SARS-CoV-2 مفید است.

 

عنوان مقاله انگلیسی:

A Weakly-supervised Framework for COVID-19 Classification and Lesion Localization from Chest CT

چکیده مقاله انگلیسی:

Accurate and rapid diagnosis of COVID-19 suspected cases plays a crucial role in timely quarantine and medical treatment. Developing a deep learning based model for automatic COVID-19 diagnosis on chest CT is helpful to counter the outbreak of SARS-CoV-2. A weaklysupervised deep learning framework was developed using 3D CT volumes for COVID-19 classification and lesion localization. For each patient, the lung region was segmented using a pre-trained UNet; then the segmented 3D lung region was fed into a 3D deep neural network to predict the probability of COVID-19 infectious; the COVID-19 lesions are localized by combining the activation regions in the classification network and the unsupervised connected components. 499 CT volumes were used for training and 131 CT volumes were used for testing. Our algorithm obtained 0.959 ROC AUC and 0.976 PR AUC.
When using a probability threshold of 0.5 to classify COVIDpositive and COVID-negative, the algorithm obtained an accuracy of 0.901, a positive predictive value of 0.840 and a very high negative predictive value of 0.982. The algorithm took only 1.93 seconds to process a single patient’s CT volume using a dedicated GPU. Our weakly-supervised deep learning model can accurately predict the COVID-19 infectious probability and discover lesion regions in chest CT without the need for annotating the lesions for training. The easily-trained and high-performance deep learning algorithm provides a fast way to identify COVID-19 patients, which is beneficial to control the outbreak of SARS-CoV-2.

تعداد صفحات مقاله: 11

تاریخ انتشار مقاله: 2020

نشریه: IEEE آی تریپل آی

فرمت فایل: pdf

حجم فایل: 6/288KB

 

لینک دانلود رایگان مقاله انگلیسی:

یک چارچوب ضعیف نظارت شده برای طبقه بندی کووید-19 و محلی سازی ضایعه از CT قفسه سینه

پس از ثبت سفارش ترجمه، طی حداکثر 7 روز کاری آینده، ترجمه فارسی به‌صورت دو فایل word و pdf به آدرس ایمیل شما ارسال خواهد شد.