DECOR-NET：通过强调低级特征与去相关特征改进的 COVID-19 肺部感染分割网络
图像与视频处理
2023-03-01 v1 计算机视觉与模式识别
摘要
自 2019 年以来，2019 冠状病毒病 (COVID-19) 广泛传播，对公共健康构成了严重威胁。胸部计算机断层扫描 (CT) 在该疾病的筛查和诊断方面具有巨大潜力。COVID-19 CT 成像的分割可以实现对感染的定量评估并跟踪疾病进展。COVID-19 感染具有高度异质性和不清晰边界的特征，因此捕获纹理和强度等低级特征对于分割至关重要。然而，目前仍然缺乏强调低级特征的分割网络。在这项工作中，我们提出了一种能够捕获更多去相关低级特征的 DECOR-Net。应用通道重加权策略以获取大量低级特征，并通过提出的去相关损失减少通道之间的依赖性。实验表明，DECOR-Net 优于其他前沿方法，在 Dice 系数和交并比方面分别超过基线 5.1% 和 4.9%。此外，所提出的去相关损失可以在不同设置下持续提高性能。代码可在 https://github.com/jiesihu/DECOR-Net.git 获取。
引用
@article{arxiv.2302.14277,
title = {DECOR-NET: A COVID-19 Lung Infection Segmentation Network Improved by Emphasizing Low-level Features and Decorrelating Features},
author = {Jiesi Hu and Yanwu Yang and Xutao Guo and Ting Ma},
journal= {arXiv preprint arXiv:2302.14277},
year = {2023}
}