PSGR：用于 CT 图像中 COVID-19 肺炎分割的像素级稀疏图推理
计算机视觉与模式识别
2021-08-10 v1
摘要
在计算机断层扫描（CT）图像中自动且准确地分割感染区域，对于 COVID-19 病理阶段预测与治疗反应评估至关重要。已有若干深度卷积神经网络（DCNNs）被设计用于此任务，然而其性能往往受限于局部感受野有限与全局推理能力不足。本文中，我们提出一种像素级稀疏图推理（PSGR）模块，并将其插入分割网络以增强对 CT 图像中 COVID-19 感染区域分割的长程依赖建模。在 PSGR 模块中，首先基于分割主干产生的特征将每个像素投影到一个节点以构建图，然后通过仅保留每个不确定像素的 K 条最强连接将其转换为稀疏连接图。长程信息推理在该稀疏连接图上执行以生成增强特征。该模块的优势有两点：（1）像素级映射策略不仅避免了不精确的像素到节点投影，还保留了每个像素的固有信息用于全局推理；（2）稀疏连接图构建实现了有效的信息检索并减少了噪声传播。所提方案已在三个公共数据集上对照四种广泛使用的分割模型进行了评估。结果表明，配备我们 PSGR 模块的分割模型能有效分割 CT 图像中的 COVID-19 感染区域，优于所有其他竞争模型。
引用
@article{arxiv.2108.03809,
title = {PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images},
author = {Haozhe Jia and Haoteng Tang and Guixiang Ma and Weidong Cai and Heng Huang and Liang Zhan and Yong Xia},
journal= {arXiv preprint arXiv:2108.03809},
year = {2021}
}