用于实时COVID-19肺部感染分割系统的边界引导语义学习
图像与视频处理
2022-09-08 v1 计算机视觉与模式识别
摘要
尽管疫苗已研发且全国疫苗接种覆盖率稳步提升，2019冠状病毒病(COVID-19)仍持续对全球医疗系统产生负面影响。现阶段，从CT图像中自动分割肺部感染区域对COVID-19的诊断与治疗至关重要。得益于深度学习技术的发展，一些用于肺部感染分割的深度学习方案已被提出。然而，由于分布分散、复杂背景干扰及边界模糊，现有模型的准确性与完整性仍不尽如人意。为此，本文提出一种边界引导语义学习网络(BSNet)。一方面，设计了结合顶层语义保持与渐进语义融合的双分支语义增强模块，以建模不同高层特征间的互补关系，从而促进更完整分割结果的生成。另一方面，提出镜像对称边界引导模块，以镜像对称方式精确检测病灶区域边界。在公开数据集上的实验表明，我们的BSNet优于现有最先进方法，并实现了44 FPS的实时推理速度。
引用
@article{arxiv.2209.02934,
title = {Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System},
author = {Runmin Cong and Yumo Zhang and Ning Yang and Haisheng Li and Xueqi Zhang and Ruochen Li and Zewen Chen and Yao Zhao and Sam Kwong},
journal= {arXiv preprint arXiv:2209.02934},
year = {2022}
}
备注
Accepted by IEEE Transactions on Consumer Electronics 2022