Interactive Segmentation for COVID-19 Infection Quantification on Longitudinal CT Scans
Notice bibliographique
Résumé
Consistent segmentation of CT scans in COVID-19 patients across multiple time points is important to accurately evaluate disease progression and therapeutic response. In medical domains, previous interactive segmentation studies have been mainly conducted on data from a single time point. However, the valuable segmentation information from previous time points is often underutilized in assisting the segmentation of a patient’s follow-up scans. Moreover, fully automatic segmentation techniques frequently produce results that would need further refinement for clinical applicability. In this study, we propose a novel single-network model for interactive segmentation that fully leverages all available past information to refine the segmentation of follow-up scans. In the first segmentation round, our model takes concatenated slices of 3D volumes from two-time points (target and reference), employing the segmentation results from the reference time point as a guide for segmenting the target scan. Subsequent refinement rounds incorporate user feedback in the form of scribbles that rectify the segmentation, in addition to incorporating the previous segmentation results of the target scan. This iterative process ensures the preservation of segmentation information from prior refinement rounds. Experimental results obtained from our in-house multiclass longitudinal COVID-19 dataset demonstrate the effectiveness of the proposed method compared to its static counterpart, thus providing valuable assistance in localizing COVID-19 infections in patients’ follow-up scans.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».