基于卷积LSTM网络从计算机断层扫描中快速量化COVID-19肺炎负荷
图像与视频处理
2021-07-20 v3 计算机视觉与模式识别
机器学习
摘要
从计算机断层扫描（CT）得出的定量肺度量已被证明可改善冠状病毒病（COVID-19）患者的预后判断，但由于所需的肺病变手动分割极为耗时，尚未纳入临床常规。我们提出了一种全新的全自动深度学习框架，利用卷积长短期记忆（ConvLSTM）网络，从增强与非增强CT图像中快速量化并区分COVID-19肺炎的肺病变。借助专家标注，模型训练通过5折交叉验证、使用独立保留集重复5次，以分割磨玻璃影与高密度影（包括实变与胸腔积液）。该方法在197例SARS-CoV-2逆转录聚合酶链反应检测阳性患者的CT数据集上进行了评估。专家手动与自动分割在肺病变上取得强一致性，Dice系数达0.876 0.005；磨玻璃影与高密度影体积的相关性分别为0.978与0.981，极为优异。在67例患者的外部验证集中，Dice系数为0.767 0.009，磨玻璃影与高密度影体积相关性分别为0.989与0.996，同样极为优异。在配备NVIDIA Titan RTX图形处理单元的个人计算机上，对含120层的CT扫描的计算耗时低于2秒。因此，我们的基于深度学习的方法可实现从CT快速全自动量化肺炎负荷，并可能产生与专家阅片者相近准确度的结果。
引用
@article{arxiv.2104.00138,
title = {Rapid quantification of COVID-19 pneumonia burden from computed tomography with convolutional LSTM networks},
author = {Kajetan Grodecki and Aditya Killekar and Andrew Lin and Sebastien Cadet and Priscilla McElhinney and Aryabod Razipour and Cato Chan and Barry D. Pressman and Peter Julien and Judit Simon and Pal Maurovich-Horvat and Nicola Gaibazzi and Udit Thakur and Elisabetta Mancini and Cecilia Agalbato and Jiro Munechika and Hidenari Matsumoto and Roberto Menè and Gianfranco Parati and Franco Cernigliaro and Nitesh Nerlekar and Camilla Torlasco and Gianluca Pontone and Damini Dey and Piotr J. Slomka},
journal= {arXiv preprint arXiv:2104.00138},
year = {2021}
}
备注
Fixed some typing mistakes in v2. No other results changed