BCS-Net:面向 CT 图像中 COVID-19 肺部感染自动分割的边界、上下文与语义网络
图像与视频处理
2022-07-19 v1 计算机视觉与模式识别
摘要
COVID-19 的蔓延给世界带来了巨大灾难,感染区域的自动分割可帮助医生快速诊断并减轻工作负担。然而,准确且完整的分割面临若干挑战,如感染区域分散分布、复杂背景噪声以及分割边界模糊。为此,本文提出一种用于 CT 图像中 COVID-19 肺部感染自动分割的新网络,称为 BCS-Net,其考虑了边界、上下文和语义属性。BCS-Net 采用编码器–解码器架构,更多设计集中于包含三个渐进式边界–上下文–语义重建(BCSR)块的解码器阶段。在每个 BCSR 块中,设计了注意力引导的全局上下文(AGGC)模块,通过突出重要空间与边界位置并建模全局上下文依赖,为解码器学习最有价值的编码器特征。此外,语义引导(SG)单元生成语义引导图,通过在中分辨率聚合多尺度高层特征来精炼解码器特征。大量实验表明,我们提出的框架在定性与定量上均优于现有对比方法。
引用
@article{arxiv.2207.08114,
title = {BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung Infection Segmentation from CT Images},
author = {Runmin Cong and Haowei Yang and Qiuping Jiang and Wei Gao and Haisheng Li and Cong Wang and Yao Zhao and Sam Kwong},
journal= {arXiv preprint arXiv:2207.08114},
year = {2022}
}
备注
Accepted by IEEE Transactions on Instrumentation and Measurement 2022, Code: https://github.com/rmcong/BCS-Net-TIM22