用于胸部 CT 中 COVID-19 感染量化的自动深度学习系统
图像与视频处理
2020-10-06 v1 计算机视觉与模式识别
摘要
冠状病毒病在全球蔓延并迅速感染数百万人，给卫生系统设施带来巨大压力。PCR 筛查是采用的 COVID-19 检测诊断测试方法。然而，PCR 因其低灵敏度比率而受到批评，且它是耗时且人工复杂的流程。CT 成像已证明其即使对无症状患者也能检测该疾病，这使其成为 PCR 可信的替代方案。此外，COVID-19 感染在 CT 切片中的表现，为利用自动感染分割方法支持疾病演变监测提供了很高潜力。然而，COVID-19 感染区域在尺寸、形状、对比度与强度均匀性方面存在高度变化，这给分割过程带来巨大挑战。为应对这些挑战，本文提出一个用于 COVID-19 感染区域分割的自动深度学习系统。该系统包含不同步骤以增强和改善 CT 切片中感染区域的表现，从而可使用深度网络高效学习。系统首先通过分割肺器官来准备感兴趣区域，随后进行边缘增强扩散滤波（EED）以改善感染区域的对比度与强度均匀性。所提出的 FCN 采用带修改残差块与拼接跳跃连接的 U-net 架构实现。该块通过在网络中前向传递感染区域特征来改善梯度值的学习。为证明所提出系统的泛化性与有效性，其使用从多来源不同数据集中提取的许多 2D CT 切片进行训练与测试。所提系统使用不同度量进行评估，肺与感染区域分割的 dice 重叠分数分别达到 0.961 与 0.780。
引用
@article{arxiv.2010.01982,
title = {Automatic Deep Learning System for COVID-19 Infection Quantification in chest CT},
author = {Omar Ibrahim Alirr},
journal= {arXiv preprint arXiv:2010.01982},
year = {2020}
}