DRR4Covid：从数字重建放射影像中学习自动化的 COVID-19 感染分割
图像与视频处理
2020-08-27 v1 计算机视觉与模式识别
机器学习
摘要
基于胸部 X 光（CXR）成像的自动化感染测量与 COVID-19 诊断对于加快检查十分重要。我们提出一种称为 DRR4Covid 的新方法，用于从数字重建放射影像（DRRs）中学习 CXR 上的自动化 COVID-19 诊断与感染分割。DRR4Covid 由一个感染感知的 DRR 生成器、一个分类和/或分割网络以及一个域适应模块组成。该感染感知 DRR 生成器能够生成具有可调强度的 COVID-19 感染放射学征象的 DRR，并生成与 DRR 精确匹配的像素级感染标注。引入域适应模块，通过在无标签真实 CXR 与有标签 DRR 上联合训练网络，来减小 DRR 与 CXR 之间的域差异。我们给出了一个简洁而有效的 DRR4Covid 实现，采用基于最大均值差异（MMD）的域适应模块，以及一个带有分类头和分割头的基于 FCN 的网络。大量实验结果验证了方法的有效性；具体而言，以准确率、AUC 和 F1 分数衡量性能，我们的网络在未使用任何 CXR 标注的情况下，在包含 794 例正常和 794 例阳性病例的测试集上取得了分类分数 (0.954, 0.989, 0.953) 和分割分数 (0.957, 0.981, 0.956)。此外，我们通过调节合成 DRR 中 COVID-19 感染放射学征象的强度，估算 X 光图像检测 COVID-19 感染的灵敏度。估算得到的肺部感染体素比例检测限为 19.43%，且显著 COVID-19 感染放射学征象所对应的感染体素贡献率下界估算为 20.0%。我们的代码将公开于 https://github.com/PengyiZhang/DRR4Covid。
引用
@article{arxiv.2008.11478,
title = {DRR4Covid: Learning Automated COVID-19 Infection Segmentation from Digitally Reconstructed Radiographs},
author = {Pengyi Zhang and Yunxin Zhong and Yulin Deng and Xiaoying Tang and Xiaoqiong Li},
journal= {arXiv preprint arXiv:2008.11478},
year = {2020}
}