Sparse Dynamic Deep Neural Network in Marginal Shape Space for Accurate COVID-19 Lung Tissue Segmentation from Chest CT Images
Notice bibliographique
Résumé
In medical diagnosis systems, predicting and quantifying COVID-19 lung abnormalities from chest Computed Tomography (CT) images is essential for early identification of infected lesions and accurate diagnosis.Visual assessment and quantification of COVID-19 lung tissues by expert radiologists can be costly and error-prone.Consequently, numerous deep learning (DL)-based segmentation models have been developed for the automatic segmentation and prediction of infected lung tissues.Among these models, the Multi-Scale Attention-based UNet (MS-AUNet) can extract complex geometric features from CT images and segment small boundary areas infected by COVID-19.However, it may introduce errors by misclassifying normal tissues that resemble infected tissues.To address this issue, this study proposes a Marginal Space Deep Learning (MSDL) model in conjunction with the MS-AUNet to accurately segment normal and COVID-19-infected tissues from chest CT images.Initially, the MS-AUNet is applied to obtain Region-Of-Interests (ROIs) from the chest CT images.Subsequently, these ROIs are refined using the MSDL model, which consists of a Sparse Dynamic Deep Neural Network (SDeepNet) and an Active Shape Model (ASM) for non-rigid tissue segmentation of COVID-19 CT images.The SDeepNet acts as a boundary detector, automatically learning dynamic sparse features from the given ROI in each marginal shape space and detecting bounding boxes to localize target tissues.The ASM is employed to learn shape deformation and accurately segment infected lung tissues.Experimental results demonstrate that the MS-AUNet-MSDL model using a CT image dataset achieves 89.7% dice score, 88% recall, 89.4% precision, 11.42mm Hausdorff distance, and 22.8% Root Mean Square Error (RMSE).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».