CHS-Net：一种用于COVID-19感染CT图像分层分割的深度学习方法
图像与视频处理
2022-03-29 v7 计算机视觉与模式识别
摘要
被称为COVID-19的新型SARS-CoV-2大流行已在全球蔓延，造成大量生命损失。CT、X射线等医学影像通过呈现器官功能的视觉表征，在诊断患者中发挥重要作用。然而，对任何放射科医生而言，分析此类扫描都是一项繁琐且耗时的任务。新兴的深度学习技术已展现出在分析此类扫描以辅助更快诊断COVID-19等疾病和病毒方面的实力。在本文中，提出了一种基于自动深度学习的模型，即COVID-19分层分割网络（CHS-Net），其作为语义分层分割器，利用两个级联的残差注意力Inception U-Net（RAIU-Net）模型，通过CT医学影像从肺轮廓中识别COVID-19感染区域。RAIU-Net由具有谱空间与深度注意力网络（SSD）的残差Inception U-Net模型构成，该网络以深度可分离卷积与混合池化（最大与谱池化）的收缩和扩展阶段开发，以高效编码和解码语义及变化分辨率信息。CHS-Net采用分割损失函数进行训练，该损失函数定义为二元交叉熵损失与dice损失的均值，以惩罚假阴性和假阳性预测。该方法与近期提出的方法进行比较，并使用准确率、精确率、特异度、召回率、dice系数和Jaccard相似度等标准指标评估，以及通过GradCam++和不确定性图对模型预测进行可视化解释。通过大量试验，观察到所提方法优于近期提出的方法，并有效分割了肺中的COVID-19感染区域。
引用
@article{arxiv.2012.07079,
title = {CHS-Net: A Deep learning approach for hierarchical segmentation of COVID-19 infected CT images},
author = {Narinder Singh Punn and Sonali Agarwal},
journal= {arXiv preprint arXiv:2012.07079},
year = {2022}
}