面向纵向CT扫描中COVID-19感染量化的交互式分割
图像与视频处理
2023-06-02 v2 计算机视觉与模式识别
摘要
对COVID-19患者多次时间点的CT扫描进行一致分割，对于准确评估疾病进展与治疗反应至关重要。现有的医学图像自动与交互式分割模型仅使用单时间点（静态）数据。然而，以往时间点的有价值分割信息常未被用于辅助患者随访扫描的分割。此外，全自动分割技术产生的结果往往需进一步编辑才能用于临床。本工作中，我们提出一种新的单网络交互式分割模型，充分利用所有可用历史信息以精炼随访扫描的分割。在首轮分割中，我们的模型将来自两个时间点（目标与参考）的医学图像3D体数据作为拼接切片，并附加参考时间点分割作为引导来分割目标扫描。在后续分割精炼轮次中，以涂鸦形式修正分割的用户反馈及目标先前分割结果被额外输入模型，从而确保保留先前精炼轮次的分割信息。在我们内部多类纵向COVID-19数据集上的实验结果表明，所提模型优于其静态版本，并可辅助定位患者随访扫描中的COVID-19感染。
引用
@article{arxiv.2110.00948,
title = {Interactive Segmentation for COVID-19 Infection Quantification on Longitudinal CT scans},
author = {Michelle Xiao-Lin Foo and Seong Tae Kim and Magdalini Paschali and Leili Goli and Egon Burian and Marcus Makowski and Rickmer Braren and Nassir Navab and Thomas Wendler},
journal= {arXiv preprint arXiv:2110.00948},
year = {2023}
}
备注
10 pages, 11 figures, 4 tables