文献

J-GLOBAL ID：202202230619518219   整理番号：22A0832003

CT画像上の自動COVID-19肺感染セグメンテーションのための深部同時監視と注意融合戦略【JST・京大機械翻訳】

Deep co-supervision and attention fusion strategy for automatic COVID-19 lung infection segmentation on CT images

著者 (11件)： Hu Haigen (College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, PR China) ,  Hu Haigen (Key Laboratory of Visual Media Intelligent Processing Technology of Zhejiang Province, Hangzhou 310023, PR China) ,  Shen Leizhao (College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, PR China) ,  Shen Leizhao (Key Laboratory of Visual Media Intelligent Processing Technology of Zhejiang Province, Hangzhou 310023, PR China) ,  Guan Qiu (College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, PR China) ,  Guan Qiu (Key Laboratory of Visual Media Intelligent Processing Technology of Zhejiang Province, Hangzhou 310023, PR China) ,  Li Xiaoxin (College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, PR China) ,  Li Xiaoxin (Key Laboratory of Visual Media Intelligent Processing Technology of Zhejiang Province, Hangzhou 310023, PR China) ,  Zhou Qianwei (College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, PR China) ,  Zhou Qianwei (Key Laboratory of Visual Media Intelligent Processing Technology of Zhejiang Province, Hangzhou 310023, PR China) ,  Ruan Su (University of Rouen Normandy, LITIS EA 4108, Rouen 76183, France)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 124  ページ： Null  発行年： 2022年 
JST資料番号： D0611A  ISSN： 0031-3203  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 正常と感染組織の間の不規則な形状,多様なサイズと区別できない境界のため,CT画像上のCOVID-19の感染病変を正確にセグメント化するのは,まだ挑戦的な仕事である。本論文では,符号器デコーダアーキテクチャに基づく異なるレベルのマルチスケール特徴マップを融合して,教師つき情報を強化して,COVID-19の感染のために新しいセグメンテーション方式を提案した。この目的のために,深い協調監視(Co-スーパービジョン)方式を提案し,エッジと意味論の特徴を学習した。より具体的には,Edge Supervisedモジュール(ESM)を最初に設計して,ダウンサンプリングの初期段階にエッジ教師つき情報を組み込むことによって低レベル境界特徴を強調する。一方,Auxiliary Semantic Supervisedモジュール(ASSM)を提案し,マスク教師つき情報を後段に統合することにより,高レベル意味情報を強化した。次に,高レベルと低レベル特徴マップの間の意味的ギャップを減らすために,注意機構を用いて,種々のレベルの多重スケール特徴マップを融合するために,注意融合モジュール(AFM)を開発した。最後に,提案した方式の有効性を4種類のCOVID-19CTデータセットで実証した。結果は,提案した3つのモジュールがすべて有望であることを示した。ベースライン(ResUnet)に基づいて,ESM,ASSM,またはAFM単独は,著者らのデータセットにおいて,それぞれ,1.12%,1.95%,1.63%だけ,Dice計量を増加でき,一方,3つのモデルを組み込むことによる統合は,3.97%を上昇させることができる。種々のデータセットにおける既存の方式と比較して,提案方法は,いくつかの主要な計量においてより良いセグメンテーション性能を得ることができて,最良の一般化と総合的性能を達成することができた。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 意味論 ,  *セグメンテーション ,  符号器 ,  基準線 ,  有効性
準シソーラス用語： ダウンサンプリング ,  マルチスケール ,  スーパービジョン ,  特徴マップ , 【Automatic Indexing@JST】

著者キーワード (5件)： セマンティックセグメンテーション ,  マルチスケール特徴 ,  注意機構 ,  特徴融合 ,  COVID-19

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (8件)： CT画像 ,  肺 ,  感染 ,  セグメンテーション ,  深部 ,  注意 ,  融合 ,  戦略