基于 3D U-Net 的 COVID-19 肺部感染自动化胸部 CT 图像分割
图像与视频处理
2022-04-14 v1 计算机视觉与模式识别
机器学习
摘要
2019 冠状病毒病（COVID-19）影响了全球数十亿人的生命，并对公共医疗产生重大影响。由于对 RT-PCR 作为筛查方法灵敏度的质疑日益增加，诸如计算机断层扫描等医学影像作为替代方案展现出巨大潜力。因此，自动化图像分割作为定量评估和疾病监测的临床决策支持备受期待。然而，公开的 COVID-19 影像数据有限，导致传统方法过拟合。为解决该问题，我们提出了一种创新的 COVID-19 感染区域自动化分割流程，其能够通过用作变体数据库来处理小数据集。我们的方法侧重于通过执行若干预处理方法并利用广泛的数据增强，在训练时即时生成独特且随机的图像块。为进一步降低过拟合风险，我们实现了标准 3D U-Net 架构，而非新颖或计算复杂的神经网络架构。通过对 20 例 COVID-19 患者 CT 扫描进行 5 折交叉验证，我们得以开发出针对肺部和 COVID-19 感染区域的高度准确且鲁棒的分割模型，而未在有限数据上过拟合。我们的方法对肺部和感染区域分别取得了 0.956 和 0.761 的 Dice 相似系数。我们证明了所提方法优于相关方法，推进了 COVID-19 分割的最先进水平，并改善了有限数据下的医学图像分析。代码与模型可通过以下链接获取：https://github.com/frankkramer-lab/covid19.MIScnn
引用
@article{arxiv.2007.04774,
title = {Automated Chest CT Image Segmentation of COVID-19 Lung Infection based on 3D U-Net},
author = {Dominik Müller and Iñaki Soto Rey and Frank Kramer},
journal= {arXiv preprint arXiv:2007.04774},
year = {2022}
}
备注
Code repository: https://github.com/frankkramer-lab/covid19.MIScnn