Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Universidade de São Paulo (USP) | - |
Autor(es): dc.creator | Bruzadin, Aldimir | - |
Autor(es): dc.creator | Boaventura, Maurílio | - |
Autor(es): dc.creator | Colnago, Marilaine | - |
Autor(es): dc.creator | Negri, Rogério Galante | - |
Autor(es): dc.creator | Casaca, Wallace | - |
Data de aceite: dc.date.accessioned | 2025-08-21T23:41:46Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T23:41:46Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-02-13 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.neucom.2022.12.003 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/249474 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/249474 | - |
Descrição: dc.description | Deep Learning (DL) has become one of the key approaches for dealing with many challenges in medical imaging, which includes lung segmentation in Computed Tomography (CT). The use of seeded segmentation methods is another effective approach to get accurate partitions from complex CT images, as they give users autonomy, flexibility and easy usability when selecting specific targets for measurement purposes or pharmaceutical interventions. In this paper, we combine the accuracy of deep contour leaning with the versatility of seeded segmentation to yield a semi-automatic framework for segmenting lung CT images from patients affected by COVID-19. More specifically, we design a DL-driven approach that learns label diffusion maps from a contour detection network integrated with a label propagation model, used to diffuse the seeds over the CT images. Moreover, the trained model induces the diffusion of the seeds by only taking as input a marked CT-scan, segmenting hundreds of CT slices in an unsupervised and recursive way. Another important trait of our framework is that it is capable of segmenting lung structures even in the lack of well-defined boundaries and regardless of the level of COVID-19 infection. The accuracy and effectiveness of our learned diffusion model are attested to by both qualitative as well as quantitative comparisons involving several user-steered segmentations methods and eight CT data sets containing different types of lesions caused by COVID-19. | - |
Descrição: dc.description | São Paulo State University (UNESP) IBILCE, SP | - |
Descrição: dc.description | University of São Paulo (USP) ICMC, SP | - |
Descrição: dc.description | São Paulo State University (UNESP) ICT, SP | - |
Descrição: dc.description | São Paulo State University (UNESP) IBILCE, SP | - |
Descrição: dc.description | São Paulo State University (UNESP) ICT, SP | - |
Formato: dc.format | 24-38 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Neurocomputing | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | COVID-19 | - |
Palavras-chave: dc.subject | Deep contour learning | - |
Palavras-chave: dc.subject | Lung CT | - |
Palavras-chave: dc.subject | Seeded segmentation | - |
Título: dc.title | Learning label diffusion maps for semi-automatic segmentation of lung CT images with COVID-19 | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: