基于肺部CT图像与深度卷积神经网络的COVID-19感染分类与区域分析
图像与视频处理
2020-09-21 v1 计算机视觉与模式识别
摘要
COVID-19是一个全球性的健康问题。因此，早期检测并分析感染模式对于控制感染传播以及制定治疗方案至关重要。本工作提出了一种基于两阶段深度卷积神经网络(CNNs)的框架，用于勾勒肺部CT图像中的COVID-19感染区域。在第一阶段，首先使用两级离散小波变换增强COVID-19特异性CT图像特征，然后使用所提出的定制深度CoV-CTNet对这些增强后的CT图像进行分类。在第二阶段，被分类为感染图像的CT图像被送入分割模型，以识别和分析COVID-19感染区域。为此，我们提出了一种新颖的语义分割模型CoV-RASeg，其在编码器和解码器模块中系统地使用了平均和最大池化操作。这种对最大和平均池化操作的系统利用有助于所提出的CoV-RASeg同时学习边界和区域同质性。此外，引入了注意力机制以处理轻度感染区域。所提出的两阶段框架在一个标准肺部CT图像数据集上进行了评估，并将其性能与现有的深度CNN模型进行了比较。所提出的CoV-CTNet的性能使用马修斯相关系数(MCC)度量(0.98)评估，所提出的CoV-RASeg使用Dice相似度(DS)分数(0.95)评估。在未见测试集上的 promising 结果表明，该框架有潜力帮助放射科医生识别和分析COVID-19感染区域。
引用
@article{arxiv.2009.08864,
title = {Classification and Region Analysis of COVID-19 Infection using Lung CT Images and Deep Convolutional Neural Networks},
author = {Saddam Hussain Khan and Anabia Sohail and Asifullah Khan and Yeon Soo Lee},
journal= {arXiv preprint arXiv:2009.08864},
year = {2020}
}
备注
Pages: 32, Tables: 6, Figures: 14