基于傅里叶增强师生框架的 CT 图像 COVID-19 感染分割
图像与视频处理
2022-09-28 v2
摘要
计算机断层扫描（CT）图像中感染区域的自动分割对 COVID-19 的初步诊断十分必要。基于深度学习的方法有潜力自动化该任务，但需要大量带像素级标注的数据。用更易获取的带标注肺癌 CT 图像训练深度网络可在一定程度上缓解此问题。然而，由于域偏移，该方法在测试阶段应用于未见过的 COVID-19 图像时性能可能下降。本文提出一种新颖的无监督 COVID-19 感染分割方法，旨在从肺癌与 COVID-19 图像中学习域不变特征，以提升分割网络用于 COVID-19 CT 图像的泛化能力。为克服强度偏移，我们的方法首先通过傅里叶变换的有效增强方法将带标注肺癌数据转换为无标签 COVID-19 数据的风格。此外，为减小分布偏移，我们设计了一个师生网络来学习用于分割的旋转不变特征。实验表明，即便训练时未接触 COVID-19 CT 的标注，所提网络仍能在 COVID-19 图像上取得最先进的分割性能。
引用
@article{arxiv.2110.06411,
title = {A Teacher-Student Framework with Fourier Augmentation for COVID-19 Infection Segmentation in CT Images},
author = {Han Chen and Yifan Jiang and Hanseok Ko and Murray Loew},
journal= {arXiv preprint arXiv:2110.06411},
year = {2022}
}