用于增强COVID-19量化的三维断层模式合成
图像与视频处理
2020-05-06 v1 计算机视觉与模式识别
摘要
截至2020年4月12日，新型冠状病毒病（COVID-19）已影响180万人，并导致超过11万人死亡。多项研究表明，胸部计算机断层扫描（CT）上观察到的断层模式，如磨玻璃影、实变和铺路石征，与疾病的严重程度和进展相关。因此，CT成像可成为管理COVID-19患者的重要模态。如果能够自动计算诸如不透明度百分比（PO）等量化生物标志物，基于人工智能的解决方案可用于支持基于CT的量化报告，并使阅片高效且可重复。然而，COVID-19给人工智能的发展带来了独特挑战，特别是在大规模获取合适的图像数据和标注方面。本文提出使用合成数据集来扩充现有的COVID-19数据库以应对这些挑战。我们训练一个生成对抗网络（GAN），在无传染病患者的胸部CT上修复与COVID-19相关的断层模式。此外，我们利用从手动标注的COVID-19胸部CT患者中得出的位置先验，来生成适当的异常分布。通过向真实COVID-19训练数据中添加20%的合成数据，合成数据被用于改进肺分割和COVID-19模式分割。我们收集了来自7个国家12个站点的2143例胸部CT，其中包含327例COVID-19阳性病例。通过在100例COVID-19阳性和100例对照病例上进行测试，我们表明合成数据有助于改善肺分割（病灶纳入率提高6.02%）和异常分割（Dice系数提高2.78%），从而使整体PO计算更准确（Pearson系数提高2.82%）。
引用
@article{arxiv.2005.01903,
title = {3D Tomographic Pattern Synthesis for Enhancing the Quantification of COVID-19},
author = {Siqi Liu and Bogdan Georgescu and Zhoubing Xu and Youngjin Yoo and Guillaume Chabin and Shikha Chaganti and Sasa Grbic and Sebastian Piat and Brian Teixeira and Abishek Balachandran and Vishwanath RS and Thomas Re and Dorin Comaniciu},
journal= {arXiv preprint arXiv:2005.01903},
year = {2020}
}