COVID-19 CT影像像素级皮肤瘤预测：自动图像分割架构的比较分析
计算机视觉与模式识别
2026-05-21 v1 人工智能
摘要
近年来，针对医学图像分割的深度学习算法受到了广泛关注，但该领域的可靠性受限于缺乏统一的性能分析方法论，以及前期研究中采用不同数据集的事实。本研究的主要目标是综合评估当代分割框架与最先进预训练主干网络，以准确预测COVID-19皮肤瘤在CT图像中的位置。此外，这种评估可作为其他各种影像场景下图像分割的参考点。为实现此目标，我们将四种不同的深度学习架构(即Unet、PSPNet、Linknet和FPN)与六个预训练的编码器(包括VGG 19、DenseNet 121、Inception ResNet V2、MobileNet V2、SeresNet 101和EfficientNet B0)集成，从而开发出多样化的测试架构。在图像分割的上下文中，我们的研究涵盖了二分类和多分类实验。对三个不同的COVID-19 CT分割数据集进行分析表明，深度学习架构能够实现精确且高效的分割结果。显著的是，二分类分割实现了最高达98%的F1分数，而多分类分割在两个独立数据集上分别实现了75%和77%的F1分数。人工智能和深度学习的运用提升了疫情期间疾病诊断过程的多个维度。
引用
@article{arxiv.2605.20459,
title = {Pixel Wised Lesion Prediction on COVID-19 CT Imagery: A Comparative Analysis of Automated Image Segmentation Architectures},
author = {Sarmad Khan and Arslan Shaukat and Umer Asgher and Basim Azam},
journal= {arXiv preprint arXiv:2605.20459},
year = {2026}
}
备注
7 pages, 6 figures, 4 tables