基于尺度不确定性的胸部 CT 图像 COVID-19 感染分割
图像与视频处理
2022-01-11 v1 计算机视觉与模式识别
机器学习
摘要
本文提出一种从 COVID-19 患者 CT 容积中分割肺部感染区域的方法。COVID-19 在全球蔓延，导致众多感染者和死亡。基于 CT 图像的诊断可提供快速准确的诊断结果。自动分割肺部感染区域为诊断提供量化标准。以往方法采用整体 2D 图像或 3D 容积处理。感染区域大小差异显著，此类处理易遗漏小感染区域。基于块的处理对分割小目标有效。然而，在感染区域分割中难以选择合适的块大小。我们利用分割 FCN 各种感受野大小间的尺度不确定性来获取感染区域。感受野大小可定义为块大小以及裁剪块所用的容积分辨率。本文提出一种执行基于块分割的感染分割网络（ISNet）以及一种细化分割结果的尺度不确定性感知预测聚合方法。我们设计 ISNet 以分割具有不同强度值的感染区域。ISNet 具有多条编码路径，用于处理由多个强度范围归一化的块容积。我们收集由具有不同感受野大小的 ISNet 生成的预测结果。预测聚合方法提取这些预测结果间的尺度不确定性。我们使用聚合 FCN 生成考虑预测间尺度不确定性的细化分割结果。在使用 199 个 COVID-19 胸部 CT 容积的实验中，预测聚合方法将 Dice 相似度分数从 47.6% 提升至 62.1%。
引用
@article{arxiv.2201.03053,
title = {COVID-19 Infection Segmentation from Chest CT Images Based on Scale Uncertainty},
author = {Masahiro Oda and Tong Zheng and Yuichiro Hayashi and Yoshito Otake and Masahiro Hashimoto and Toshiaki Akashi and Shigeki Aoki and Kensaku Mori},
journal= {arXiv preprint arXiv:2201.03053},
year = {2022}
}
备注
Accepted paper as a oral presentation at CILP2021, 10th MICCAI CLIP Workshop