基于循环一致生成对抗网络的 CT 中 COVID-19 病灶无监督分割
图像与视频处理
2021-11-24 v1 计算机视觉与模式识别
摘要
COVID-19 已成为全球大流行，并仍在给公众带来严重健康风险。CT 扫描中肺炎病灶的准确高效分割对治疗决策至关重要。我们提出了一种使用循环一致生成对抗网络（cycle-GAN）的新颖无监督方法，可自动化并加速病灶勾画过程。工作流程包括肺容积分割、“合成”健康肺生成、感染与健康图像相减以及二值病灶掩模创建。肺容积首先由预训练的 U-net 勾画，并作为后续网络的输入。所开发的 cycle-GAN 用于从感染肺图像生成合成的“健康”肺 CT 图像。此后，通过从“感染”肺 CT 图像中减去合成的“健康”肺 CT 图像来提取肺炎病灶。随后应用中值滤波与 K-means 聚类对病灶进行轮廓提取。该自动分割方法在两个公共数据集（Coronacases 与 Radiopedia）上进行了验证。对 Coronacases 与 Radiopedia 数据集，Dice 系数分别达到 0.748 与 0.730。同时，病灶分割检测的精度与灵敏度在 Coronacases 数据集上为 0.813 与 0.735，在 Radiopedia 数据集上为 0.773 与 0.726。该性能可与现有有监督分割网络相媲美，并优于以往的无监督方法。所提出的无监督分割方法在 COVID-19 病灶自动勾画中实现了高精度与高效率。分割结果可作为进一步人工修正的基线以及病灶诊断的质量保证工具。此外，由于其无监督性质，结果不受医师经验影响，而后者对于有监督方法至关重要。
引用
@article{arxiv.2111.11602,
title = {Unsupervised COVID-19 Lesion Segmentation in CT Using Cycle Consistent Generative Adversarial Network},
author = {Chengyijue Fang and Yingao Liu and Mengqiu Liu and Xiaohui Qiu and Ying Liu and Yang Li and Jie Wen and Yidong Yang},
journal= {arXiv preprint arXiv:2111.11602},
year = {2021}
}
备注
It has been submitted to Medical Physics for peer-review on July 26, 2021