Inf-Net：基于CT图像的COVID-19肺部感染自动分割网络
图像与视频处理
2020-05-25 v4 计算机视觉与模式识别
机器学习
摘要
2019冠状病毒病（COVID-19）于2020年初在全球蔓延，使世界面临生存性的健康危机。从计算机断层扫描（CT）图像中自动检测肺部感染为应对COVID-19的传统医疗策略提供了巨大潜力。然而，从CT切片中分割感染区域面临若干挑战，包括感染特征的高度变异性，以及感染与正常组织之间较低的强度对比。此外，在短时间内收集大量数据是不切实际的，这阻碍了深度模型的训练。为应对这些挑战，提出了一种新颖的COVID-19肺部感染分割深度网络（Inf-Net），用于从胸部CT切片中自动识别感染区域。在我们的Inf-Net中，采用并行部分解码器聚合高层特征并生成全局图。然后，利用隐式反向注意力和显式边缘注意力来建模边界并增强表示。此外，为缓解标注数据的短缺，我们提出了一种基于随机选取传播策略的半监督分割框架，该框架仅需少量标注图像并主要利用未标注数据。我们的半监督框架能够提升学习能力并取得更高性能。在COVID-SemiSeg和真实CT体数据上的大量实验表明，所提出的Inf-Net优于大多数前沿分割模型并推进了最先进性能。
引用
@article{arxiv.2004.14133,
title = {Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images},
author = {Deng-Ping Fan and Tao Zhou and Ge-Peng Ji and Yi Zhou and Geng Chen and Huazhu Fu and Jianbing Shen and Ling Shao},
journal= {arXiv preprint arXiv:2004.14133},
year = {2020}
}
备注
To appear in IEEE TMI. The code is released in: https://github.com/DengPingFan/Inf-Net