用于 CT 图像中 COVID-19 感染区域分割的分叉自编码器
图像与视频处理
2020-11-03 v1 计算机视觉与模式识别
摘要
新冠病毒感染自 2020 年初以其猛烈爆发震惊了世界。疾病的快速检测挽救生命，并且依靠医学影像（计算机断层扫描和 X 射线）检测感染肺部已被证明是有效的。深度学习和卷积神经网络已用于此背景下的图像分析。然而，感染区域的准确识别被证明具有挑战性，主要有两个原因。首先，感染区域的特征在不同图像中不同。其次，训练数据不足使得训练包括深度学习模型在内的各种机器学习算法具有挑战性。本文提出一种分割 COVID-19 感染肺区域的方法，以帮助心脏科医生更准确、更快速和更轻松地诊断该疾病。我们提出了一种用于两类分割的分叉 2-D 模型。该模型使用共享编码器和到两个独立解码器的分叉连接。一个解码器用于分割肺的健康区域，另一个用于分割感染区域。在公开可用图像上的实验表明，该分叉结构比当前最优方法更好地分割肺部感染区域。
引用
@article{arxiv.2011.00631,
title = {Bifurcated Autoencoder for Segmentation of COVID-19 Infected Regions in CT Images},
author = {Parham Yazdekhasty and Ali Zindar and Zahra Nabizadeh-ShahreBabak and Roshank Roshandel and Pejman Khadivi and Nader Karimi and Shadrokh Samavi},
journal= {arXiv preprint arXiv:2011.00631},
year = {2020}
}
备注
11 pages, 3 Figures