基于像素级异常建模的肺 CT 中 COVID-19 病灶无标注分割
图像与视频处理
2021-03-15 v3 计算机视觉与模式识别
机器学习
摘要
标注图像的匮乏阻碍了从 CT 构建可靠的 COVID-19 诊断与评估自动化方案。为减轻数据标注负担，我们在此提出一种无标注方法，通过像素级异常建模从正常 CT 肺部扫描中挖掘相关知识，分割 CT 中的 COVID-19 病灶。我们的建模受到如下观察的启发：位于病灶所属高强范围内的气管与血管部分呈现出强模式。为促进在像素层面学习此类模式，我们使用一组出奇简单的操作合成“病灶”，并将合成“病灶”插入正常 CT 肺部扫描以形成训练对，从中学习一个将“异常”图像复原为正常的常态转换网络（NormNet）。我们在三个不同数据集上的实验验证了 NormNet 的有效性，其显著优于多种无监督异常检测（UAD）方法。
引用
@article{arxiv.2009.06456,
title = {Label-Free Segmentation of COVID-19 Lesions in Lung CT},
author = {Qingsong Yao and Li Xiao and Peihang Liu and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2009.06456},
year = {2021}
}
备注
Accepted by Transaction on Medical Imaging 2021