利用新型通道增强 CNN 从肺部 CT 图像进行 COVID-19 检测与分析
图像与视频处理
2022-09-27 v2 计算机视觉与模式识别
摘要
2019 年 12 月,中国武汉的全球大流行病 COVID-19 影响了人类生活与世界经济。因此,需要一种高效的诊断系统来控制其传播。然而,自动诊断系统面临着标记数据有限、对比度变化微小以及感染区域与背景间结构高度相似等挑战。为此,提出了一种基于新型两阶段深度卷积神经网络(CNN)的诊断系统,以检测微小异常并分析 COVID-19 感染。在第一阶段,开发了新型 SB-STM-BRNet CNN,其引入了新型通道压缩与增强(SB)以及基于膨胀卷积的 Split-Transform-Merge(STM)模块,用于检测 COVID-19 感染的肺部 CT 图像。新型 STM 模块执行多路径区域平滑与边界操作,有助于学习微小对比度变化与全局 COVID-19 特异性模式。此外,在 STM 模块中利用 SB 与迁移学习概念实现多样化的增强通道,以学习 COVID-19 特异性图像与健康图像间的纹理差异。在第二阶段,将 COVID-19 感染图像输入新型 COVID-CB-RESeg 分割 CNN,以识别并分析 COVID-19 感染区域。所提出的 COVID-CB-RESeg 在每个编码器-解码器模块中系统性地运用区域同质与异质操作,并利用辅助通道增强解码器,以同时学习 COVID-19 感染区域的低照度与边界。所提出的诊断系统在准确性方面表现良好:COVID-19 感染区域的准确率 98.21%、F 值 98.24%、Dice 相似度 96.40%、IOU 98.85%。该诊断系统将减轻负担并强化放射科医师快速、准确诊断 COVID-19 的决策。
引用
@article{arxiv.2209.10963,
title = {COVID-19 Detection and Analysis From Lung CT Images using Novel Channel Boosted CNNs},
author = {Saddam Hussain Khan},
journal= {arXiv preprint arXiv:2209.10963},
year = {2022}
}
备注
13 Figures, 6 Tables, 27 Pages