一种基于肺组织识别的新型无监督新冠肺病变分割方法
图像与视频处理
2022-02-25 v1 计算机视觉与模式识别
医学物理
摘要
本研究旨在评估一种基于无监督深度学习的新型框架，用于从新冠患者 CT 图像中自动分割感染病灶的性能。第一步，分别训练两个残差网络以有监督方式识别正常与新冠患者的肺组织。这两个模型分别称为 DL-Covid 和 DL-Norm，对应新冠与正常患者，生成用于肺组织识别的体素级概率图。为检测新冠病灶，将新冠患者的 CT 图像输入 DL-Covid 和 DL-Norm 模型以获得两张肺概率图。由于 DL-Norm 模型不熟悉肺内新冠感染，其对病灶赋予的概率低于 DL-Covid。因此，可通过 DL-Covid 与 DL-Norm 模型得到的两张肺概率图相减生成新冠感染的概率图。使用 50 张新冠 CT 图像的手动病灶分割来评估该无监督病灶分割方法的准确性。在正常和新冠患者肺分割的外部验证数据集中，Dice 系数分别达到 0.985 和 0.978。所提无监督方法的感染分割定量结果显示 Dice 系数和 Jaccard 指数分别为 0.67 和 0.60。所提无监督新冠感染病灶分割方法的定量评估显示出相对满意的结果。由于该框架不需要任何标注数据集，它可用于为致力于含噪声和/或弱标注数据集的有监督机器学习算法生成非常大规模的训练样本。
引用
@article{arxiv.2202.12148,
title = {A novel unsupervised covid lung lesion segmentation based on the lung tissue identification},
author = {Faeze Gholamian Khah and Samaneh Mostafapour and Seyedjafar Shojaerazavi and Nouraddin Abdi-Goushbolagh and Hossein Arabi},
journal= {arXiv preprint arXiv:2202.12148},
year = {2022}
}