基于新型强度暗通道先验的自动病灶分割用于COVID-19检测
图像与视频处理
2025-06-24 v2 计算机视觉与模式识别
度量几何
最优化与控制
摘要
在COVID-19大流行期间，计算机断层扫描（CT）等医学影像技术已证明在抗击病毒快速传播方面的有效性。因此，开展基于CT影像的COVID-19计算机化检测模型研究至关重要。本研究开发了一种利用放射组学特征的新型处理方法，以辅助基于CT的COVID-19诊断。鉴于传统特征在区分不同肺部疾病病因时特异性较低，本研究的目标是开发一个基于CT的放射组学框架，用于将COVID-19与其他肺部疾病区分开来。该模型旨在聚焦于勾勒COVID-19病灶，因为传统特征在此方面常缺乏特异性。该模型将图像分为三类：COVID-19、非COVID-19或正常。它采用增强型自动分割原理，在设定的分析阈值范围内使用强度暗通道先验（IDCP）和深度神经网络（ALS-IDCP-DNN）。我们使用包含COVID-19、正常和非COVID-19类别的公开数据集来验证所提模型的有效性。性能最佳的分类模型——50层残差神经网络（Resnet-50）取得了平均准确率、精确率、召回率和F1分数分别为98.8%、99%、98%和98%。这些结果证明了我们的模型准确分类COVID-19图像的能力，可辅助放射科医生诊断疑似COVID-19患者。此外，我们模型的性能超过了在同一数据集上进行的10余项当前最先进（SOTA）研究。
引用
@article{arxiv.2309.12638,
title = {Auto-Lesion Segmentation with a Novel Intensity Dark Channel Prior for COVID-19 Detection},
author = {Basma Jumaa Saleh and Zaid Omar and Vikrant Bhateja and Lila Iznita Izhar},
journal= {arXiv preprint arXiv:2309.12638},
year = {2025}
}
备注
The study requires withdrawal due to technical inconsistencies in the reported data that affect the conclusions. We apologize for any inconvenience