基于三维CT扫描的COVID-19新型自动分类与分割方法
图像与视频处理
2022-08-08 v1 计算机视觉与模式识别
摘要
基于深度学习(DL)的医学图像分类与分割是诊断当前COVID-19变异株疫情的紧急研究课题。在COVID-19肺部计算机断层扫描(CT)图像中，磨玻璃混浊是最常见、需专家诊断的发现。基于此情况，一些研究者提出了相关DL模型，可在缺乏专业知识时替代临床专业诊断人员。然而，尽管DL方法在医学图像处理中表现惊人，有限的数据集仍是发展达到人类水平诊断准确性的挑战。此外，深度学习算法面临在三维甚至多维下对医学图像进行分类与分割并保持高准确率的挑战。因此，在保证高水平准确率的前提下，我们的模型可将患者CT图像分为三类：正常、肺炎与COVID。随后，使用两个数据集进行分割，其中之一甚至仅有有限数据量（20例）。我们的系统将分类模型与分割模型结合，在ResNet50与3D U-Net算法基础上构建了完全集成的诊断模型。通过输入不同数据集，将根据分类结果对感染区域进行COVID图像分割。我们的模型在COVID、肺炎与正常三类肺病变分类中达到94.52%准确率。对于未来医学应用，将模型嵌入医疗设备可能是辅助或替代医生诊断的高效途径，从而也可能成功解决COVID-19疫情中更广范围的变异株问题。
引用
@article{arxiv.2208.02910,
title = {A Novel Automated Classification and Segmentation for COVID-19 using 3D CT Scans},
author = {Shiyi Wang and Guang Yang},
journal= {arXiv preprint arXiv:2208.02910},
year = {2022}
}
备注
5 pages, 6 figures, accepted by IEEE IPAS