利用从体素 CT 自动计算的胸片上的稀疏监督 Mask R-CNN 进行 COVID-19 肺部病灶分割
图像与视频处理
2021-05-21 v2 计算机视觉与模式识别
机器学习
摘要
2019 冠状病毒病 (COVID-19) 患者的胸部 X 光片常被获取以确定肺部病变程度，并且是创建人工智能模型的宝贵数据来源。迄今为止，大多数评估胸部影像疾病严重程度的工作集中于分割计算机断层扫描 (CT) 图像；然而，鉴于 COVID-19 患者接受 CT 检查的频率远低于胸部 X 光检查，在胸部 X 光片上自动分割肺部病灶可能具有临床价值。目前普遍缺乏带有 COVID-19 肺部病灶真值标注的胸部 X 光片，且手动勾画肺部混浊区域是一项繁琐、劳动密集的任务。为加速严重程度检测并增加可用于监督式深度学习 (DL) 模型的公开胸部 X 光训练数据量，我们利用现有标注 CT 图像生成正面投影“胸部 X 光”图像以训练 COVID-19 胸部 X 光模型。本文提出一种用于胸部 X 光片上 COVID-19 肺部病灶分割的自动化流程，其由在开源胸部 X 光片与从标注体素 CT 计算的冠状 X 光投影混合数据集上训练的 Mask R-CNN 构成。在一个包含 40 张 COVID-19 阳性患者胸部 X 光片的测试集上，当分别在 60 张胸部 X 光片的数据集与 10 张胸部 X 光片和 50 张 CT 投影的混合数据集上训练时，我们的模型实现的 IoU 分数分别为 0.81 0.03 与 0.79 0.03。我们的模型在有限监督训练下远优于当前基线，并可能辅助胸部 X 光片上 COVID-19 严重程度的自动量化。
引用
@article{arxiv.2105.08147,
title = {COVID-19 Lung Lesion Segmentation Using a Sparsely Supervised Mask R-CNN on Chest X-rays Automatically Computed from Volumetric CTs},
author = {Vignav Ramesh and Blaine Rister and Daniel L. Rubin},
journal= {arXiv preprint arXiv:2105.08147},
year = {2021}
}
备注
8 pages, 5 figures