Published January 1, 2021
| Version v1
Publication
Open
Health Vigilance for Medical Imaging Diagnostic Optimization: Automated segmentation of COVID-19 lung infection from CT images
Creators
- 1. Université Ibn-Tofail
- 2. Mohammed V University
- 3. École Normale Supérieure de l'Enseignement Technique de Mohammedia
Description
Covid-19 disease has confronted the world with an unprecedented health crisis, faced with its quick spread, the health system is called upon to increase its vigilance. So, it is essential to set up a quick and automated diagnosis that can alleviate pressure on health systems. Many techniques used to diagnose the covid-19 disease, including imaging techniques, like computed tomography (CT). In this paper, we present an automatic method for COVID-19 Lung Infection Segmentation from CT Images, that can be integrated into a decision support system for the diagnosis of covid-19 disease. To achieve this goal, we focused to new techniques based on artificial intelligent concept, in particular the uses of deep convolutional neural network, and we are interested in our study to the most popular architecture used in the medical imaging community based on encoder-decoder models. We use an open access data collection for Artificial Intelligence COVID-19 CT segmentation or classification as dataset, the proposed model implemented on keras framework in python. A short description of model, training, validation and predictions is given, at the end we compare the result with an existing labeled data. We tested our trained model on new images, we obtained for Area under the ROC Curve the value 0.884 from the prediction result compared with manual expert segmentation. Finally, an overview is given for future works, and use of the proposed model into homogeneous framework in a medical imaging context for clinical purpose.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
لقد واجه مرض كوفيد-19 العالم بأزمة صحية غير مسبوقة، وفي مواجهة انتشاره السريع، يُطلب من النظام الصحي زيادة يقظته. لذلك، من الضروري إعداد تشخيص سريع وآلي يمكن أن يخفف الضغط على الأنظمة الصحية. العديد من التقنيات المستخدمة لتشخيص مرض كوفيد-19، بما في ذلك تقنيات التصوير، مثل التصوير المقطعي المحوسب (CT). في هذه الورقة، نقدم طريقة تلقائية لتقسيم عدوى كوفيد-19 في الرئة من صور التصوير المقطعي المحوسب، والتي يمكن دمجها في نظام دعم القرار لتشخيص مرض كوفيد-19. ولتحقيق هذا الهدف، ركزنا على التقنيات الجديدة القائمة على مفهوم الذكاء الاصطناعي، ولا سيما استخدامات الشبكة العصبية الالتفافية العميقة، ونحن مهتمون بدراستنا للهندسة المعمارية الأكثر شيوعًا المستخدمة في مجتمع التصوير الطبي بناءً على نماذج فك التشفير. نحن نستخدم مجموعة بيانات الوصول المفتوح لتقسيم أو تصنيف COVID -19 CT للذكاء الاصطناعي كمجموعة بيانات، وهو النموذج المقترح الذي تم تنفيذه على إطار عمل KERAS في بيثون. يتم تقديم وصف موجز للنموذج والتدريب والتحقق من الصحة والتنبؤات، وفي النهاية نقارن النتيجة ببيانات موجودة مصنفة. لقد اختبرنا نموذجنا المدرب على صور جديدة، وحصلنا على المنطقة تحت منحنى ROC القيمة 0.884 من نتيجة التنبؤ مقارنة بتجزئة الخبراء اليدوية. أخيرًا، يتم تقديم نظرة عامة على الأعمال المستقبلية، واستخدام النموذج المقترح في إطار متجانس في سياق التصوير الطبي للأغراض السريرية.Translated Description (French)
La maladie du Covid-19 a confronté le monde à une crise sanitaire sans précédent, face à sa propagation rapide, le système de santé est appelé à accroître sa vigilance. Il est donc essentiel de mettre en place un diagnostic rapide et automatisé qui puisse alléger la pression sur les systèmes de santé. De nombreuses techniques utilisées pour diagnostiquer la maladie covid-19, y compris les techniques d'imagerie, comme la tomodensitométrie (CT). Dans cet article, nous présentons une méthode automatique de segmentation des infections pulmonaires COVID-19 à partir d'images tomodensitométriques, qui peut être intégrée dans un système d'aide à la décision pour le diagnostic de la maladie covid-19. Pour atteindre cet objectif, nous nous sommes concentrés sur de nouvelles techniques basées sur le concept intelligent artificiel, en particulier les utilisations du réseau neuronal convolutif profond, et nous nous sommes intéressés à notre étude de l'architecture la plus populaire utilisée dans la communauté de l'imagerie médicale basée sur des modèles d'encodeur-décodeur. Nous utilisons une collecte de données en libre accès pour la segmentation ou la classification de l'Intelligence Artificielle COVID-19 CT en tant qu'ensemble de données, le modèle proposé mis en œuvre sur le cadre keras en python. Une brève description du modèle, de la formation, de la validation et des prédictions est donnée, à la fin nous comparons le résultat avec une donnée étiquetée existante. Nous avons testé notre modèle entraîné sur de nouvelles images, nous avons obtenu pour Area under the roc Curve la valeur 0,884 à partir du résultat de la prédiction par rapport à la segmentation manuelle des experts. Enfin, une vue d'ensemble est donnée pour les travaux futurs, et l'utilisation du modèle proposé dans un cadre homogène dans un contexte d'imagerie médicale à des fins cliniques.Translated Description (Spanish)
La enfermedad Covid-19 ha enfrentado al mundo con una crisis de salud sin precedentes, frente a su rápida propagación, el sistema de salud está llamado a aumentar su vigilancia. Por lo tanto, es esencial establecer un diagnóstico rápido y automatizado que pueda aliviar la presión sobre los sistemas de salud. Muchas técnicas utilizadas para diagnosticar la enfermedad por covid-19, incluidas las técnicas de imagen, como la tomografía computarizada (TC). En este artículo, presentamos un método automático para la segmentación de la infección pulmonar por COVID-19 a partir de imágenes de TC, que se puede integrar en un sistema de apoyo a la toma de decisiones para el diagnóstico de la enfermedad por covid-19. Para lograr este objetivo, nos centramos en nuevas técnicas basadas en el concepto de inteligencia artificial, en particular los usos de la red neuronal convolucional profunda, y estamos interesados en nuestro estudio de la arquitectura más popular utilizada en la comunidad de imágenes médicas basada en modelos de codificador-decodificador. Utilizamos una recopilación de datos de acceso abierto para la segmentación o clasificación de CT de COVID-19 de Inteligencia Artificial como conjunto de datos, el modelo propuesto implementado en el marco de keras en python. Se da una breve descripción del modelo, entrenamiento, validación y predicciones, al final comparamos el resultado con un dato etiquetado existente. Probamos nuestro modelo entrenado en nuevas imágenes, obtuvimos para el Área bajo la Curva Roc el valor 0.884 del resultado de la predicción en comparación con la segmentación manual de expertos. Finalmente, se ofrece una descripción general para futuros trabajos y el uso del modelo propuesto en un marco homogéneo en un contexto de imágenes médicas con fines clínicos.Files
e3sconf_vigisan_01089.pdf.pdf
Files
(24 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:7624dcbc096921e31a1da610e19a546e
|
24 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- اليقظة الصحية لتحسين التشخيص بالتصوير الطبي: التقسيم الآلي لعدوى الرئة COVID -19 من صور التصوير المقطعي المحوسب
- Translated title (French)
- Veille sanitaire pour l'optimisation du diagnostic par imagerie médicale : segmentation automatisée de l'infection pulmonaire COVID-19 à partir d'images tomodensitométriques
- Translated title (Spanish)
- Vigilancia de la salud para la optimización del diagnóstico por imágenes médicas: segmentación automatizada de la infección pulmonar por COVID-19 a partir de imágenes de TC
Identifiers
- Other
- https://openalex.org/W3212510026
- DOI
- 10.1051/e3sconf/202131901089
References
- https://openalex.org/W1901129140
- https://openalex.org/W2101926813
- https://openalex.org/W2194775991
- https://openalex.org/W2893693469
- https://openalex.org/W2909872967
- https://openalex.org/W2911605224
- https://openalex.org/W2969625533
- https://openalex.org/W3017855299
- https://openalex.org/W3020653337
- https://openalex.org/W3083972167
- https://openalex.org/W3092266641
- https://openalex.org/W3093903390
- https://openalex.org/W3094388274
- https://openalex.org/W3155045726
- https://openalex.org/W3157132382
- https://openalex.org/W3176128681
- https://openalex.org/W4237018209
- https://openalex.org/W4244302852