Un marco de aprendizaje profundo sostenible para la segmentación automatizada de regiones infectadas por COVID-19: utilizando U-Net con un mecanismo de atención y una función de pérdida de límites
Autores: Ahmed, Imran; Chehri, Abdellah; Jeon, Gwanggil
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Un marco de aprendizaje profundo sostenible para la segmentación automatizada de regiones infectadas por COVID-19: utilizando U-Net con un mecanismo de atención y una función de pérdida de límites
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Covid-19
Imágenes biomédicas
Tomografía computarizada
Segmentación
Aprendizaje profundo
Escáner de tc pulmonar.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 26
Citaciones: Sin citaciones
COVID-19 se ha estado propagando rápidamente, afectando a miles de millones de personas a nivel mundial, con impactos significativos en la salud pública. La imagen biomédica, como la tomografía computarizada (TC), tiene un potencial significativo como posible sustituto para el proceso de detección. Por esta razón, la segmentación automática de imágenes es altamente deseable como apoyo a decisiones clínicas para una evaluación extensa del control y monitoreo de enfermedades. Es una herramienta dinámica y desempeña un papel central en la segmentación precisa o exacta de áreas o regiones infectadas en escáneres de TC, ayudando así en la detección, diagnóstico y monitoreo de enfermedades.
Descripción
COVID-19 se ha estado propagando rápidamente, afectando a miles de millones de personas a nivel mundial, con impactos significativos en la salud pública. La imagen biomédica, como la tomografía computarizada (TC), tiene un potencial significativo como posible sustituto para el proceso de detección. Por esta razón, la segmentación automática de imágenes es altamente deseable como apoyo a decisiones clínicas para una evaluación extensa del control y monitoreo de enfermedades. Es una herramienta dinámica y desempeña un papel central en la segmentación precisa o exacta de áreas o regiones infectadas en escáneres de TC, ayudando así en la detección, diagnóstico y monitoreo de enfermedades.