用于 COVID-19 胸部 CT 体积半监督感染分割的双多尺度均值教师网络
图像与视频处理
2022-11-11 v1 计算机视觉与模式识别
摘要
从计算机断层扫描（CT）数据中自动检测肺部感染在抗击 COVID-19 中发挥着重要作用。然而，开发 AI 系统仍面临一些挑战。1) 目前大多数 COVID-19 感染分割方法主要依赖 2D CT 图像，缺乏 3D 序列约束。2) 现有的 3D CT 分割方法侧重于单一尺度表示，无法在 3D 体积上实现多级感受野大小。3) COVID-19 的突发爆发使得难以标注足够的 CT 体积来训练深度模型。为了解决这些问题，我们首先构建了一个多维注意力卷积神经网络（MDA-CNN），以沿输入特征图的不同维度聚合多尺度信息，并对来自不同 CNN 层的多个预测施加监督。其次，我们将此 MDA-CNN 作为基础网络分配到一个新颖的双多尺度均值教师网络（DMT-Net）中，通过利用未标记数据和探索多尺度信息，用于 CT 体积上的半监督 COVID-19 肺部感染分割。我们的 DMT-Net 鼓励来自学生和教师网络不同 CNN 层的多个预测保持一致，以计算未标记数据上的多尺度一致性损失，然后将其添加到 MDA-CNN 多个预测的标记数据监督损失中。第三，我们收集了两个 COVID-19 分割数据集来评估我们的方法。实验结果表明，我们的网络始终优于所比较的 SOTA 方法。
引用
@article{arxiv.2211.05548,
title = {Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19},
author = {Liansheng Wang and Jiacheng Wang and Lei Zhu and Huazhu Fu and Ping Li and Gary Cheng and Zhipeng Feng and Shuo Li and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2211.05548},
year = {2022}
}
备注
Codes are available at https://github.com/jcwang123/DM2TNet; Accepted by Transactions on Cybernetics