一种用于 COVID-19 严重程度评估的肺 CT 分割深度集成学习方法
图像与视频处理
2022-07-07 v1 计算机视觉与模式识别
摘要
我们提出一种用于 COVID-19 患者肺 CT 分类分割的新型深度学习方法。具体而言,我们将扫描划分为健康肺组织、非肺区域以及两种不同但视觉上相似的病理肺组织,即磨玻璃影和实变。这是通过一种独特的端到端分层网络架构与集成学习实现的,其有助于分割并提供分割不确定性的度量。所提框架在三个 COVID-19 数据集上取得了有竞争力的结果和出色的泛化能力。我们的方法在一个公开的 Kaggle COVID-19 CT 图像分割竞赛中排名第二。此外,分割不确定性区域被证明对应于两名不同放射科医生手动标注之间的差异。最后,当比较患者的 COVID-19 严重程度评分(基于临床测量)与分割的肺病理时,我们的私有数据集展示了初步而有前景的对应结果。代码与数据可在我们的仓库获取:https://github.com/talbenha/covid-seg
引用
@article{arxiv.2207.02322,
title = {A Deep Ensemble Learning Approach to Lung CT Segmentation for COVID-19 Severity Assessment},
author = {Tal Ben-Haim and Ron Moshe Sofer and Gal Ben-Arie and Ilan Shelef and Tammy Riklin-Raviv},
journal= {arXiv preprint arXiv:2207.02322},
year = {2022}
}
备注
IEEE International Conference on Image Processing (ICIP) 2022