用于 COVID-19 胸部 CT 图像自动多类分割的残差注意力 U-Net
图像与视频处理
2020-04-14 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
2019 新型冠状病毒病（COVID-19）已在全世界迅速传播，并对公共卫生与经济造成显著影响。然而，目前仍缺乏有效量化 COVID-19 所致肺部感染的研究。作为诊断框架中基础但具挑战性的任务，分割在通过计算机断层扫描（CT）图像精确量化 COVID-19 感染中起着关键作用。为此，我们提出了一种用于自动分割多处 COVID-19 感染区域的新型深度学习算法。具体而言，我们使用聚合残差变换学习鲁棒且具表现力的特征表示，并应用软注意力机制提升模型区分多种 COVID-19 症状的能力。利用一个公开 CT 图像数据集，我们验证了所提算法相较于其他竞争方法的有效性。实验结果证明了我们的算法在 COVID-19 胸部 CT 图像自动分割方面的优异性能。我们的研究提供了一种有前景的基于深度学习的分割工具，为 CT 图像中 COVID-19 肺部感染的定量诊断奠定基础。
引用
@article{arxiv.2004.05645,
title = {Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images},
author = {Xiaocong Chen and Lina Yao and Yu Zhang},
journal= {arXiv preprint arXiv:2004.05645},
year = {2020}
}