MEDPSeg：用于计算机断层扫描中磨玻璃影、实变及肺部结构分割的分层多态多任务学习
图像与视频处理
2024-03-27 v2 计算机视觉与模式识别
摘要
COVID-19 疫情的应对凸显了深度学习方法在通过自动分割胸部计算机断层扫描（CT）中的肺部结构和病灶来促进肺部疾病诊断、预后和理解方面的潜力。由于该任务耗时且主观，导致监督学习所需的真实标签稀缺，从而阻碍了将肺部病灶自动分离为磨玻璃影（GGO）和实变。为了解决这个问题，我们提出了 MEDPSeg。MEDPSeg 通过分层多态多任务学习（HPML）从异构胸部 CT 目标中进行学习。HPML 探索了 GGO 与实变、肺部病灶以及肺部之间的分层性质，并通过多任务执行气道和肺动脉分割进一步获益。来自不同部分标注来源的超过 6000 个体积 CT 扫描被用于训练和测试。实验表明，PML 在 GGO 和实变分割任务上实现了新的现有技术水平性能。此外，MEDPSeg 在单次前向预测中同时执行肺实质、气道、肺动脉和肺部病灶的分割，其性能与专门针对这些目标的现有技术方法相当。最后，我们在 https://github.com/MICLab-Unicamp/medpseg 提供了带有图形用户界面的开源实现。
引用
@article{arxiv.2312.02365,
title = {MEDPSeg: Hierarchical polymorphic multitask learning for the segmentation of ground-glass opacities, consolidation, and pulmonary structures on computed tomography},
author = {Diedre S. Carmo and Jean A. Ribeiro and Alejandro P. Comellas and Joseph M. Reinhardt and Sarah E. Gerard and Letícia Rittner and Roberto A. Lotufo},
journal= {arXiv preprint arXiv:2312.02365},
year = {2024}
}
备注
This manuscript is under review and might change in the future