Collective Intelligent Strategy for Improved Segmentation of COVID-19 from CT

要約

コロナウイルスのパンデミックによって引き起こされた荒廃により、迅速かつ正確な検出のための自動化された技術を設計することが不可欠になっています.
ディープラーニングとイメージングを使用して、肺の COVID-19 感染を描写するための新しい非侵襲的ツールを提案します。
Leave-One-Patient-Out (LOPO) トレーニングを採用した Ensembling Attention-based Multi-scaled Convolution network (EAMC) は、重症度の評価とともに感染領域の輪郭を描く際に高い感度と精度を示します。
Attention モジュールは、複数のスケールでコンテキスト情報とローカル情報を組み合わせて、正確なセグメンテーションを行います。
アンサンブル学習は、さまざまな基本分類器を介して決定の不均一性を統合します。
クラスの不均衡が深刻な場合でも、EAMC の優位性は、公開されている 4 つの COVID-19 データセットに対する既存の最先端の学習モデルとの比較を通じて確立されます。
この結果は、パンデミックのように患者で過負荷になっているときに、医療従事者に支援的知性を提供する際のディープラーニングの関連性を示唆しています。
その臨床的重要性は、遠隔地で専門的なヘルスケアを欠いている患者に低コストの意思決定を提供するという前例のない範囲にあります。

要約(オリジナル)

The devastation caused by the coronavirus pandemic makes it imperative to design automated techniques for a fast and accurate detection. We propose a novel non-invasive tool, using deep learning and imaging, for delineating COVID-19 infection in lungs. The Ensembling Attention-based Multi-scaled Convolution network (EAMC), employing Leave-One-Patient-Out (LOPO) training, exhibits high sensitivity and precision in outlining infected regions along with assessment of severity. The Attention module combines contextual with local information, at multiple scales, for accurate segmentation. Ensemble learning integrates heterogeneity of decision through different base classifiers. The superiority of EAMC, even with severe class imbalance, is established through comparison with existing state-of-the-art learning models over four publicly-available COVID-19 datasets. The results are suggestive of the relevance of deep learning in providing assistive intelligence to medical practitioners, when they are overburdened with patients as in pandemics. Its clinical significance lies in its unprecedented scope in providing low-cost decision-making for patients lacking specialized healthcare at remote locations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google