用于 COVID-19 患者 CT 扫描病灶分割的密集回归激活图
图像与视频处理
2021-11-22 v2 计算机视觉与模式识别
机器学习
摘要
胸部 CT 上的自动病灶分割可实现 COVID-19 感染中肺部受累的快速定量分析。然而，获取大量体素级标注以训练分割网络的成本高得令人望而却步。因此，我们提出了一种基于密集回归激活图（dRAMs）的弱监督分割方法。大多数弱监督分割方法利用类激活图（CAMs）来定位目标。然而，由于 CAMs 是为分类任务训练的，它们与目标的分割结果并不精确对齐。相反，我们使用来自分割网络的高分辨率特征生成激活图，该网络经训练用于估计每肺叶的病灶百分比。通过这种方式，网络可以利用关于所需病灶体积的知识。此外，我们提出了一个注意力神经网络模块来优化 dRAMs，并与主回归任务共同优化。我们在 90 名受试者上评估了我们的算法。结果表明，我们的方法达到了 70.2% 的 Dice 系数，大幅优于基于 CAM 的基线（48.6%）。
引用
@article{arxiv.2105.11748,
title = {Dense Regression Activation Maps For Lesion Segmentation in CT scans of COVID-19 patients},
author = {Weiyi Xie and Colin Jacobs and Jean-Paul Charbonnier and Bram van Ginneken},
journal= {arXiv preprint arXiv:2105.11748},
year = {2021}
}