COVID TV-UNet：使用连通性约束U-Net分割COVID-19胸部CT图像
图像与视频处理
2020-08-10 v3 计算机视觉与模式识别
机器学习
摘要
新型冠状病毒病（COVID-19）大流行已在全球200多个国家引发重大疫情，严重影响了全球许多人的健康和生活。截至2020年7月中旬，已有超过1200万人感染，报告死亡人数超过57万。计算机断层扫描（CT）图像可作为耗时的RT-PCR检测的替代方案，用于检测COVID-19。在这项工作中，我们提出了一种分割框架，用于检测CT图像中被COVID-19感染的胸部区域。我们使用类似于U-Net模型的架构，并对其进行训练，以在像素级别检测磨玻璃区域。由于感染区域倾向于形成连通分量（而非随机分布的像素），我们在损失函数中添加了一个合适的正则化项，以促进COVID-19像素分割图的连通性。为此使用了二维各向异性全变分，因此所提出的模型被称为“TV-UNet”。通过在包含约900张图像的相对大规模CT分割数据集上的实验结果，我们表明，与U-Net模型相比，添加这一新的正则化项使整体分割性能提升了2%。我们的实验分析，从对预测分割结果的视觉评估到分割性能的定量评估（精确率、召回率、Dice分数和mIoU），均展示了识别肺部COVID-19相关区域的强大能力，实现了超过99%的mIoU率和约86%的Dice分数。
引用
@article{arxiv.2007.12303,
title = {COVID TV-UNet: Segmenting COVID-19 Chest CT Images Using Connectivity Imposed U-Net},
author = {Narges Saeedizadeh and Shervin Minaee and Rahele Kafieh and Shakib Yazdani and Milan Sonka},
journal= {arXiv preprint arXiv:2007.12303},
year = {2020}
}