CovSegNet：一种用于改进 COVID-19 胸部 CT 扫描病灶分割的多编码器-解码器架构
图像与视频处理
2020-12-04 v1 计算机视觉与模式识别
机器学习
摘要
胸部 CT 扫描的自动肺部病灶分割被认为是实现 COVID-19 准确诊断与严重程度评估的关键环节。传统的 U 形编码器-解码器架构及其变体在池化/上采样操作中存在上下文信息衰减、编码与解码特征图之间语义鸿沟增大，以及因顺序梯度传播引发梯度消失等问题，导致性能欠佳。此外，处理 3D CT 体数据由于计算复杂度呈指数增长而带来进一步限制，使优化困难。本文提出一种利用高效神经网络架构 CovSegNet 的自动化 COVID-19 病灶分割方案，以克服这些局限。此外，引入了两阶段训练方案：首先采用较深的 2D 网络生成 ROI 增强的 CT 体数据，随后由较浅的 3D 网络在不增加计算负担的情况下利用更多上下文信息进一步增强。除传统的 Unet 纵向扩展外，我们引入了具有多阶段编码器-解码器模块的横向扩展以实现最优性能。此外，多尺度特征图被整合到尺度转换过程中以克服上下文信息丢失。而且，引入了具有金字塔融合方案的多尺度融合模块，以减小后续编码器/解码器模块间的语义鸿沟，同时促进并行优化以实现高效梯度传播。在三个公开数据集上取得了优异性能，大幅优于其他最先进方法。所提方案可轻松扩展，以在广泛应用中实现最优分割性能。
引用
@article{arxiv.2012.01473,
title = {CovSegNet: A Multi Encoder-Decoder Architecture for Improved Lesion Segmentation of COVID-19 Chest CT Scans},
author = {Tanvir Mahmud and Md Awsafur Rahman and Shaikh Anowarul Fattah and Sun-Yuan Kung},
journal= {arXiv preprint arXiv:2012.01473},
year = {2020}
}