基于多分辨率卷积神经网络的炎性与纤维化肺部 CT 图像分割
图像与视频处理
2021-01-18 v2 计算机视觉与模式识别
机器学习
摘要
本研究的目的是开发一种全自动分割算法，该算法对各类密度增强性肺部异常具有鲁棒性，以促进计算机断层扫描图像的快速定量分析。我们提出了一种多态训练方法，将患有 COPD 的人类左右肺的特定标注图像，以及患有急性肺损伤的动物的非特定标注肺部图像，共同纳入训练一个单一的神经网络。所得网络旨在预测患有或未患有弥漫性混浊与实变的人类的左右肺区域。所提出的肺分割算法在 COPD、确诊 COVID-19、肺癌和 IPF 受试者的 CT 扫描上进行了广泛评估，尽管后三种疾病无标注训练数据。使用左右肺分割作为 LobeNet 算法的输入获得肺叶分割。利用层次聚类进行区域肺叶分析以识别 COVID-19 的放射学亚型。所提出的肺分割算法在 87 张 COVID-19 CT 图像上使用半自动和手动校正分割进行了定量评估，实现了 mm 的平均对称表面距离和 的 Dice 系数。层次聚类基于实变和通气不良组织的肺叶占比识别出四种 COVID-19 放射学表型。左下叶和右下叶始终更易受通气不良和实变影响。然而，最严重病例显示所有肺叶均受累。该多态训练方法能够在无需 COVID-19 病例用于训练的情况下准确分割具有弥漫性实变的 COVID-19 病例。
引用
@article{arxiv.2010.08582,
title = {CT Image Segmentation for Inflamed and Fibrotic Lungs Using a Multi-Resolution Convolutional Neural Network},
author = {Sarah E. Gerard and Jacob Herrmann and Yi Xin and Kevin T. Martin and Emanuele Rezoagli and Davide Ippolito and Giacomo Bellani and Maurizio Cereda and Junfeng Guo and Eric A. Hoffman and David W. Kaczka and Joseph M. Reinhardt},
journal= {arXiv preprint arXiv:2010.08582},
year = {2021}
}