Тип работы:
Предмет:
Язык работы:


Полуавтоматическая сегментация инфекции COVID-19 при КТ легких

Работа №126633

Тип работы

Дипломные работы, ВКР

Предмет

информатика

Объем работы16
Год сдачи2022
Стоимость4750 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
19
Не подходит работа?

Узнай цену на написание


Введение 3
Глава 1. Обзор литературы 3
Глава 2. Постановка задачи 4
Глава 3. Материал и методы 5
3.1. Пациенты 5
3.2. Получение данных 5
3.3. Методы 5
3.3.1 Суперпиксельный метод 5
3.3.2 Ленивый метод обрезки 6
3.4. статистический анализ 8
Глава 4. Фон 8
Глава 5. Полученные результаты 9
Вывод 11
Список литературы 11

Оценка прогрессирования заболевания очень важна в медицине, что
помогает точно проанализировать тип заболевания. Например, при заболевании COVID-19 одним из критических компонентов для каждого пациента
является проверка уровня прогрессирования вируса и инфекции в легких, в
соответствии с которым должно определяться лечение пациента. Получение
медиками уровня прогрессирования заболевания является сложной задачей и
требует много времени, тогда как диагностика и лечение пациентов с COVID-
19 требуют скоростных методов. Это связано с быстрым распространением
заболевания, а в ряде случаев и с отсутствием свободных коек в больницах,
что усложняет лечение и требует большей оперативности. [1].
В этой статье были рассмотрены стандартные методы разделения различных тканей легких на изображениях компьютерной томографии по категориям. Также был предложен новый метод выделения инфекций, вызванных
COVID-19, в легком с использованием изображений компьютерной томографии, позволяющих с высокой точностью сегментировать инфицированную
ткань. Этот метод основан на алгоритмах Lazy-Snipping и Super-pixel, которые имеют множество применений для сегментации узелков в легких.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В этой работе мы представляем полуавтоматический метод выделения
инфекций, вызванных COVID-19, на КТ-изображениях. Наш метод может
улучшить результаты сегментации, даже если у нас нет достаточной достоверности сегментации. Наш метод показывает очень многообещающие результаты и может оказать большую помощь врачам в лабораториях.


[1] Ezz El-Din Hemdan, Marwa A Shouman, and Mohamed Esmail Karar. Covidx-net: A framework of deep learning classifiers to diagnose covid-19 in x-ray images. arXiv preprint arXiv:2003.11055, 2020.
[2] Xiaocong Chen, Lina Yao, and Yu Zhang. Residual attention u-net for automated multi-class segmentation of covid-19 chest ct images. arXiv preprint arXiv:2004.05645, 2020.
[3] Longxi Zhou, Zhongxiao Li, Juexiao Zhou, Haoyang Li, Yupeng Chen, Yuxin Huang, Dexuan Xie, Lintao Zhao, Ming Fan, Shahrukh Hashmi, et al. A rapid, accurate and machine-agnostic segmentation and quantification method for ct-based covid-19 diagnosis. IEEE transactions on medical imaging, 39(8):2638-2652, 2020.
[4] Feng Shi, Jun Wang, Jun Shi, Ziyan Wu, Qian Wang, Zhenyu Tang, Kelei He, Yinghuan Shi, and Dinggang Shen. Review of artificial intelligence techniques in imaging data acquisition, segmentation and diagnosis for covid- 19. IEEE reviews in biomedical engineering, 2020.
[5] Narges Saeedizadeh, Shervin Minaee, Rahele Kafieh, Shakib Yazdani, and Milan Sonka. Covid tv-unet: Segmenting covid-19 chest ct images using connectivity imposed u-net. arXiv preprint arXiv:2007.12303, 2020.
[6] Dominik Muller, Inaki Soto Rey, and Frank Kramer. Automated chest ct image segmentation of covid-19 lung infection based on 3d u-net. arXiv preprint arXiv:2007.04774, 2020.
[7] Tongxue Zhou, Stephane Canu, and Su Ruan. An automatic covid-19 ct segmentation based on u-net with attention mechanism. arXiv preprint arXiv:2004.06673, 2020.
[8] Yan Lu, Xuejun Qin, Haoyi Fan, Taotao Lai, and Zuoyong Li. Wbc-net: A white blood cell segmentation network based on unet++ and resnet. Applied Soft Computing, 101:107006, 2021.
[9] Yi Wang, Yuntian Chen, Yi Wei, Man Li, Yuwei Zhang, Na Zhang, Shuang Zhao, Hanjiang Zeng, Wen Deng, Zixing Huang, et al. Quantitative analysis of chest ct imaging findings with the risk of ards in covid-19 patients: a preliminary study. Annals of translational medicine, 8(9), 2020.
[10] Fei Shan, Yaozong Gao, Jun Wang, Weiya Shi, Nannan Shi, Miaofei Han, Zhong Xue, Dinggang Shen, and Yuxin Shi. Lung infection quantification of covid-19 in ct images with deep learning. arXivpreprint arXiv:2003.04655, 2020.
[11] Elena Velichko, Elina Nepomnyashchaya, Maxim Baranov, Marina A Galeeva, Vitalii A Pavlov, Sergey V Zavjalov, Ekaterina Savchenko, Tatiana M Pervunina, Igor Govorov, and Eduard Komlichenko. A concept of smart medical autonomous distributed system for diagnostics based on machine learning technology. In Internet of Things, Smart Spaces, and Next Generation Networks and Systems, pages 515-524. Springer, 2019.
[12] Chuansheng Zheng, Xianbo Deng, Qing Fu, Qiang Zhou, Jiapei Feng, Hui Ma, Wenyu Liu, and Xinggang Wang. Deep learning-based detection for covid-19 from chest ct using weak label. MedRxiv, 2020.
[13] Yukun Cao, Zhanwei Xu, Jianjiang Feng, Cheng Jin, Xiaoyu Han, Hanping Wu, and Heshui Shi. Longitudinal assessment of covid-19 using a deep learning-based quantitative ct pipeline: Illustration of two cases. Radiology: Cardiothoracic Imaging, 2(2):e200082, 2020.
[14] Lu Huang, Rui Han, Tao Ai, Pengxin Yu, Han Kang, Qian Tao, and Liming Xia. Serial quantitative chest ct assessment of covid-19: a deep learning approach. Radiology: Cardiothoracic Imaging, 2(2):e200075, 2020.
[15] Xiaolong Qi, Zicheng Jiang, Qian Yu, Chuxiao Shao, Hongguang Zhang, Hongmei Yue, Baoyi Ma, Yuancheng Wang, Chuan Liu, Xiangpan Meng, et al. Machine learning-based ct radiomics model for predicting hospital stay in patients with pneumonia associated with sars-cov-2 infection: A multicenter study. Medrxiv, 2020.
[16] Ophir Gozes, Maayan Frid-Adar, Hayit Greenspan, Patrick D Browning, Huangqi Zhang, Wenbin Ji, Adam Bernheim, and Eliot Siegel. Rapid ai development cycle for the coronavirus (covid-19) pandemic: Initial results for automated detection & patient monitoring using deep learning ct image analysis. arXiv preprint arXiv:2003.05037, 2020.
[17] Jun Chen, Lianlian Wu, Jun Zhang, Liang Zhang, Dexin Gong, Yilin Zhao, Qiuxiang Chen, Shulan Huang, Ming Yang, Xiao Yang, et al. Deep learning¬based model for detecting 2019 novel coronavirus pneumonia on high- resolution computed tomography. Scientific reports, 10(1):1-11, 2020.
[18] Shuo Jin, Bo Wang, Haibo Xu, Chuan Luo, Lai Wei, Wei Zhao, Xuexue Hou, Wenshuo Ma, Zhengqing Xu, Zhuozhao Zheng, et al. Ai-assisted ct imaging analysis for covid-19 screening: Building and deploying a medical ai system in four weeks. MedRxiv, 2020.
[19] Lei Tang, Xiaoyong Zhang, Yvquan Wang, and Xianchun Zeng. Severe covid- 19 pneumonia: assessing inflammation burden with volume-rendered chest ct. Radiology: Cardiothoracic Imaging, 2(2):e200044, 2020.


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ