Segmentación de infecciones pulmonares por COVID-19 con la red Mask R-CNN
DOI:
https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1100Palabras clave:
Procesamiento de Imagen Asistido por Computador, COVID-19, Tomografía ComputarizadaResumen
El COVID-19 se ha extendido por todo el mundo provocando el agotamiento de los recursos médicos en varios países. Los métodos computacionales que analizan imágenes de infecciones pulmonares pueden utilizarse para el diagnóstico y estimación de la evolución de esta enfermedad. El artículo presenta los resultados de un modelo de aprendizaje profundo (Mask R-CNN), para la segmentación automática de infecciones pulmonares en tomografías computarizadas, utilizando el COVID-19 CT Lung and Infection Segmentation Dataset. Los mejores resultados de este trabajo, con la red que realiza la segmentación de pulmones, fueron 69,92% para el índice Dice y 55,72% para el índice Jaccard.
Citas
Jun M, Cheng G, Yixin W, Xingle A, Jiantao G, Ziqi Y, Minqing Z, Xin L, Xueyuan D, Shucheng C, Hao W. COVID-19 CT lung and infection segmentation dataset.
He K, Gkioxari G, Dollár P, Girshick R. Mask r-cnn. IEEE international conference on computer vision 2017 (pp. 2961-2969).
Sawatzky J, Souri Y, Grund C, Gall J. What object should i use?-task driven object detection. IEEE/CVF Conference on Computer Vision and Pattern Recognition 2019 (pp. 7605-7614).
Oulefki A, Agaian S, Trongtirakul T, Laouar AK. Automatic COVID-19 lung infected region segmentation and measurement using CT-scans images. Pattern recognition. 2021 Jun 1;114:107747.
Amyar A, Modzelewski R, Li H, Ruan S. Multi-task deep learning based CT imaging analysis for COVID-19 pneumonia: Classification and segmentation. Computers in Biology and Medicine. 2020 Nov 1;126:104037.
Wang G, Liu X, Li C, Xu Z, Ruan J, Zhu H, Meng T, Li K, Huang N, Zhang S. A noise-robust framework for automatic segmentation of COVID-19 pneumonia lesions from CT images. IEEE Transactions on Medical Imaging. 2020 Jun 5;39(8):2653-63.
Zhou T, Canu S, Ruan S. An automatic covid-19 ct segmentation network using spatial and channel attention mechanism. arXiv 2020. arXiv preprint arXiv:2004.06673.
El-Bana S, Al-Kabbany A, Sharkas M. A multi-task pipeline with specialized streams for classification and segmentation of infection manifestations in COVID-19 scans. PeerJ Computer Science. 2020 Oct 19;6:e303.
Zhang P, Zhong Y, Deng Y, Tang X, Li X. CoSinGAN: learning COVID-19 infection segmentation from a single radiological image. Diagnostics. 2020 Nov 3;10(11):901.
Fan DP, Zhou T, Ji GP, Zhou Y, Chen G, Fu H, Shen J, Shao L. Inf-net: Automatic covid-19 lung infection segmentation from ct images. IEEE Transactions on Medical Imaging. 2020 May 22;39(8):2626-37.
Elharrouss O, Subramanian N, Al-Maadeed S. An encoder-decoder-based method for COVID-19 lung infection segmentation. arXiv preprint arXiv:2007.00861. 2020 Jul 2.
Yao Q, Xiao L, Liu P, Zhou SK.
Label-free segmentation of COVID-19 lesions in lung CT. IEEE transactions on medical imaging. 2021 Mar 24;40(10):2808-19.
Müller D, Rey IS, Kramer F. Automated chest ct image segmentation of covid-19 lung infection based on 3d u-net. arXiv preprint arXiv:2007.04774. 2020 Jun 24.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Hugo Silveira Sousa, Abdenago Alves Pereira Neto, Iális Cavalcante de Paula Júnior, Clara Ricardo de Melo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
