基于深度学习的 CT 图像中 COVID-19 肺部感染量化
计算机视觉与模式识别
2020-12-01 v3 图像与视频处理
定量方法
摘要
CT 成像对于 COVID-19 感染的诊断、评估和分期至关重要。常建议每 3-5 天进行随访扫描以监测疾病进展。据报道，伴或不伴实变的双侧周边磨玻璃影（GGO）是 COVID-19 患者的主要 CT 表现。然而，由于缺乏计算机化量化工具，放射学报告中目前仅使用定性印象和感染区域的粗略描述。本文开发了一种基于深度学习（DL）的分割系统，用于自动量化感兴趣感染区域（ROIs）及其相对于肺部的体积比。该系统通过在 300 名 COVID-19 患者的 300 例胸部 CT 扫描上比较自动分割的感染区域与手动勾画的区域来进行评估。为快速手动勾画训练样本并可能对自动结果进行人工干预，采用了人在回路（HITL）策略来辅助放射科医生进行感染区域分割，经 3 次模型更新后将总分割时间大幅缩短至 4 分钟。平均 Dice 相似系数显示自动与手动感染分割间有 91.6% 的一致性，全肺感染百分比（POI）的平均估计误差为 0.3%。最后，讨论了可能的应用，包括但不限于随访 CT 扫描分析以及与临床发现相关的肺叶和肺段内感染分布。
引用
@article{arxiv.2003.04655,
title = {Lung Infection Quantification of COVID-19 in CT Images with Deep Learning},
author = {Fei Shan and Yaozong Gao and Jun Wang and Weiya Shi and Nannan Shi and Miaofei Han and Zhong Xue and Dinggang Shen and Yuxin Shi},
journal= {arXiv preprint arXiv:2003.04655},
year = {2020}
}
备注
23 pages, 6 figures