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
![Creative Commons License](http://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png)
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.