CT扫描中肺与COVID-19病灶分割的深度学习模型综合比较

近年来，深度学习方法在医学图像分割中的使用呈爆发式增长。然而，该领域的可靠性受到缺乏用于精度/性能评估的通用参考基准以及以往研究使用不同数据集进行评估这一事实的阻碍。本文提出了一种用于计算机断层扫描（CT）中肺与COVID-19病灶分割的深度学习模型的广泛比较，该比较也可用作测试医学图像分割模型的基准。将四种深度学习架构（Unet、Linknet、FPN、PSPNet）与25个随机初始化和预训练的编码器（VGG、DenseNet、ResNet、ResNext、DPN、MobileNet、Xception、Inception-v4、EfficientNet的变体）相结合，构建了200个被测模型。进行了三项实验设置，分别用于肺分割、病灶分割以及使用原始肺掩码的病灶分割。使用包含100张CT扫描图像的公共COVID-19数据集（80张用于训练，20张用于验证）进行训练/验证，并使用一个不同的公共数据集（来自9个CT扫描体积的829张图像）进行测试。提供了多项发现，包括每项实验的最佳架构-编码器模型，以及针对每项实验、架构和编码器独立给出的平均Dice结果。最后，量化了使用肺掩码作为预处理步骤或使用预训练模型时的上限改进。提供了三项实验的源代码和600个预训练模型，适用于无GPU能力的实验设置中的微调。