用于CT扫描中鲁棒高效肺叶分割的关系建模
图像与视频处理
2020-07-13 v4 计算机视觉与模式识别
摘要
计算机断层扫描中的肺叶分割对于肺部疾病的区域评估至关重要。近期基于卷积神经网络的工作在该任务上取得了良好性能。然而，由于卷积的本质，它们在捕获结构化关系方面仍然有限。肺叶的形状相互影响，且其边界与其他结构（如血管、气道和胸膜壁）的外观相关。我们认为，当肺部受到COVID-19或COPD等疾病影响时，此类结构关系在肺叶的准确勾画中起着关键作用。本文中，我们提出一种关系方法（RTSU-Net），通过引入一种新颖的非局部神经网络模块来利用结构化关系。所提模块学习所有卷积特征之间的视觉与几何关系以产生自注意力权重。在来自COVID-19受试者的有限训练数据下，我们最初在来自COPDGene研究的5000名受试者队列上训练和验证RTSU-Net（4000用于训练，1000用于评估）。使用在COPDGene上预训练的模型，我们应用迁移学习在470名COVID-19疑似者上重新训练和评估RTSU-Net（370用于重训练，100用于评估）。实验结果表明，RTSU-Net优于三个基线，并在因COVID-19导致严重肺部感染的情况下表现鲁棒。
引用
@article{arxiv.2004.07443,
title = {Relational Modeling for Robust and Efficient Pulmonary Lobe Segmentation in CT Scans},
author = {Weiyi Xie and Colin Jacobs and Jean-Paul Charbonnier and Bram van Ginneken},
journal= {arXiv preprint arXiv:2004.07443},
year = {2020}
}