面向数据高效学习:COVID-19 CT肺与感染分割基准
图像与视频处理
2021-06-09 v2 计算机视觉与模式识别
机器学习
摘要
目的:在COVID-19 CT扫描中准确分割肺与感染灶,在患者的定量管理中起着重要作用。现有研究大多基于大型私有标注数据集,这些数据从单一机构获取是不现实的,尤其在放射科医生忙于抗击冠状病毒病之时。此外,由于当前的COVID-19 CT分割方法在不同数据集上开发、在不同设置下训练并以不同指标评估,难以进行比较。方法:为促进数据高效深度学习方法的开发,本文基于70例标注的COVID-19病例构建了肺与感染分割的三个基准,其涵盖了当前活跃的研究方向,如少样本学习、域泛化和知识迁移。为公平比较不同分割方法,我们还提供了标准训练、验证和测试划分、评估指标及相应代码。结果:基于最先进的网络,我们提供了40余个预训练基线模型,既可作为开箱即用的分割工具,也为关注COVID-19肺与感染分割的研究者节省计算时间。我们分别对左肺、右肺和感染灶取得了平均Dice相似系数(DSC)97.3%、97.7%、67.3%以及平均归一化表面Dice(NSD)90.6%、91.4%、70.0%。结论:据我们所知,本工作提出了首个面向医学图像分割的数据高效学习基准,以及迄今数量最多的预训练模型。所有这些资源均公开可用,我们的工作为促进有限数据下高效COVID-19 CT分割深度学习方法的开发奠定了基础。
引用
@article{arxiv.2004.12537,
title = {Towards Data-Efficient Learning: A Benchmark for COVID-19 CT Lung and Infection Segmentation},
author = {Jun Ma and Yixin Wang and Xingle An and Cheng Ge and Ziqi Yu and Jianan Chen and Qiongjie Zhu and Guoqiang Dong and Jian He and Zhiqiang He and Yuntao Zhu and Ziwei Nie and Xiaoping Yang},
journal= {arXiv preprint arXiv:2004.12537},
year = {2021}
}
备注
accepted for publication in Medical Physics