用于改进 CT 中 COVID-19 分割的集体智能策略
图像与视频处理
2022-12-26 v1 计算机视觉与模式识别
摘要
冠状病毒大流行造成的破坏使得设计快速准确检测的自动化技术势在必行。我们提出一种新颖的非侵入式工具，利用深度学习和影像技术勾画肺部 COVID-19 感染区域。采用留一患者外(Leave-One-Patient-Out, LOPO)训练的集成注意力多尺度卷积网络(Ensembling Attention-based Multi-scaled Convolution network, EAMC)在勾画感染区域及评估严重程度方面表现出高灵敏度与高精度。注意力模块在多尺度上结合上下文与局部信息以实现准确分割。集成学习通过不同基分类器整合决策的异质性。通过在四个公开可用的 COVID-19 数据集上与现有 SOTA 学习模型比较，确立了 EAMC 即便在严重类别不平衡下的优越性。结果表明，在如大流行中医护人员患者负担过重时，深度学习在为从业者提供辅助智能方面具有相关性。其临床意义在于，它为缺乏专科医疗的偏远地区患者提供低成本决策支持方面具有前所未有的前景。
引用
@article{arxiv.2212.12264,
title = {Collective Intelligent Strategy for Improved Segmentation of COVID-19 from CT},
author = {Surochita Pal Das and Sushmita Mitra and B. Uma Shankar},
journal= {arXiv preprint arXiv:2212.12264},
year = {2022}
}