利用非 COVID 病灶的共享知识实现标注高效的 COVID-19 CT 肺部感染分割
图像与视频处理
2021-07-29 v2 计算机视觉与模式识别
摘要
新型冠状病毒病（COVID-19）是一种高度传染性的病毒，已蔓延至全球，对所有国家构成极其严重的威胁。从计算机断层扫描（CT）中自动分割肺部感染在 COVID-19 的定量分析中起着重要作用。然而，主要挑战在于标注的 COVID-19 数据集不足。目前，有几个公开的非 COVID 肺部病灶分割数据集，为将有用信息泛化到相关的 COVID-19 分割任务提供了可能。在本文中，我们提出了一种新颖的关系驱动的协同学习模型，利用非 COVID 病灶的共享知识来实现标注高效的 COVID-19 CT 肺部感染分割。该模型由一个基于多个非 COVID 病灶捕获通用肺部病灶特征的一般编码器，以及一个基于 COVID-19 感染聚焦于任务特定特征的目标编码器组成。从两个并行编码器提取的特征被拼接用于后续的解码器部分。我们开发了一种协同学习方案，以正则化给定输入的特征级关系一致性，并鼓励模型学习更具通用性和判别性的 COVID-19 感染表示。大量实验表明，在有限 COVID-19 数据下训练时，利用非 COVID 病灶的共享知识可进一步提升最先进性能，dice 相似系数最高提升 3.0%，归一化表面 dice 最高提升 4.2%。我们提出的方法为 COVID-19 感染分割的标注高效深度学习提供了新思路，并在缺乏充足高质量标注的全球抗击 COVID-19 实战中展现出强大应用潜力。
引用
@article{arxiv.2012.15564,
title = {Exploiting Shared Knowledge from Non-COVID Lesions for Annotation-Efficient COVID-19 CT Lung Infection Segmentation},
author = {Yichi Zhang and Qingcheng Liao and Lin Yuan and He Zhu and Jiezhen Xing and Jicong Zhang},
journal= {arXiv preprint arXiv:2012.15564},
year = {2021}
}
备注
12 pages