基于图的金字塔全局上下文推理与显著性感知投影用于 COVID-19 肺部感染分割
图像与视频处理
2021-03-10 v1 计算机视觉与模式识别
摘要
2019冠状病毒病（COVID-19）在2020年迅速传播，涌现了大量从CT图像中分割肺部感染的研究。尽管已提出许多方法解决该问题，但由于不同肺叶区域出现各种大小的感染，这是一项具有挑战性的任务。为解决这些问题，我们提出了一种基于图的金字塔全局上下文推理（Graph-PGCR）模块，能够对不相连感染之间的长程依赖进行建模并适应尺寸变化。我们首先引入图卷积，以从多个肺叶区域利用长期上下文信息。与以往的平均池化或最大目标概率不同，我们提出了一种显著性感知投影机制，以选取感染相关像素作为一组图节点。图推理后，关系感知特征被反向映射回原始坐标空间用于下游任务。我们进一步以不同采样率构建多个图来处理尺寸变化问题。至此，可以捕获不同的多尺度长程上下文模式。我们的 Graph-PGCR 模块即插即用，可集成到任何架构中以提升其性能。实验表明，所提方法在公共和我们的私有 COVID-19 数据集上均能持续提升最先进骨干架构的性能。
引用
@article{arxiv.2103.04235,
title = {Graph-based Pyramid Global Context Reasoning with a Saliency-aware Projection for COVID-19 Lung Infections Segmentation},
author = {Huimin Huang and Ming Cai and Lanfen Lin and Jing Zheng and Xiongwei Mao and Xiaohan Qian and Zhiyi Peng and Jianying Zhou and Yutaro Iwamoto and Xian-Hua Han and Yen-Wei Chen and Ruofeng Tong},
journal= {arXiv preprint arXiv:2103.04235},
year = {2021}
}