从计算机断层扫描进行的COVID-19感染百分比估计:来自国际COVID-19挑战的结果和见解
Fares Bougourzi1,2, Cosimo Distante1, Fadi Dornaika3,4
1Institute of Applied Sciences and Intelligent Systems, National Research Council of Italy, 73100 Lecce, Italy.
Sensors (Basel, Switzerland)
|March 13, 2024
概括
这项研究引入了一个新的深度学习框架,用于从CT扫描中估计COVID-19感染百分比 (CIPE),解决手动细分的局限性. 在Per-COVID-19挑战中,在这个回归任务上测试了高效的深度学习方法.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 医学成像,特别是CT扫描,对于评估COVID-19的严重程度和进展至关重要.
- 在CT扫描上手动细分COVID-19感染是耗时的,需要专家放射科医生.
- 深度学习为自动化和提高医疗图像COVID-19分析效率提供了潜力.
研究的目的:
- 介绍和概述针对COVID-19的挑战,重点是基于CT扫描的COVID-19感染百分比估计 (CIPE).
- 评估现代深度学习方法在估计COVID-19感染严重性的有效性作为回归任务.
- 解决医疗成像深度学习方面的挑战,包括噪音数据和跨数据集概括.
主要方法:
- 为COVID-19感染百分比估计 (CIPE) 开发一个高效的深度学习框架.
- 利用CT扫描作为感染分析的主要医学成像模式.
- 组织每次COVID-19挑战,对CIPE的深度学习方法进行基准测试.
主要成果:
- 针对COVID-19的挑战成功测试了CIPE的各种深度学习方法.
- 评估了处理杂数据和跨数据集场景的不同方法的性能.
- 该研究讨论了在估计COVID-19感染百分比方面表现最好的方法及其结果.
结论:
- 深度学习框架可以有效地从CT扫描中估计COVID-19感染百分比,为手动细分提供了替代方案.
- 针对COVID-19的挑战突出了将深度学习应用于医疗成像以进行流行病分析的潜力和挑战.
- 深度学习的进一步研究和开发对于使用医学成像进行强大的COVID-19分析和患者监测至关重要.
