典型文献
COVID-19肺部CT图像多尺度编解码分割
文献摘要：
目的 新型冠状病毒肺炎(corona virus disease 2019,COVID-19)患者肺部计算机断层扫描(computed tomo-graphy,CT)图像具有明显的病变特征,快速而准确地从患者肺部CT图像中分割出病灶部位,对COVID-19患者快速诊断和监护具有重要意义.COVID-19肺炎病灶区域复杂多变,现有方法分割精度不高,且对假阴性的关注不够,导致分割结果往往具有较高的特异度,但灵敏度却很低.方法 本文提出了一个基于深度学习的多尺度编解码网络(MED-Net(multiscale encode decode network)),该网络采用资源利用率高、计算速度快的HarDNet68(harmonic densely connected network)作为主干,它主要由5个harmonic dense block(HDB)组成,首先通过5个空洞空间卷积池化金字塔(atrous spatial pyramid pooling,ASPP)对HarDNet68的第1个卷积层和第1、3、4、5个HDB提取多尺度特征.接着在并行解码器(paralleled partial decoder,PPD)基础上设计了一个多尺度的并行解码器(multiscale parallel partial decoder,MPPD),通过对3个不同感受野的分支进行解码,解决了编码器部分的信息丢失及小病灶分割困难等问题.为了提升CT图像分割精度,降低网络学习难度,网络加入了深度监督机制,配合多尺度解码器,增加了对假阴性的关注,从而提高模型的灵敏度.结果 在COVID-19 CT segmentation数据集上对本文网络进行了测试.实验结果表明,MED-Net可以有效地应对数据集样本少,以及分割目标的纹理、尺寸和位置变异大等问题.在只有50幅训练图像和50幅测试图像的数据集上,分割结果的Dice系数为73.8％,灵敏度为77.7％,特异度为94.3％;与Inf-Net(lung infection segmentation deep network)网络相比,分别提升了8.21％、12.28％、7.76％.其中,Dice系数和灵敏度达到了目前基于该数据集相同划分方式的先进水平.结论 本文网络提高了COVID-19肺炎CT图像分割精确度,有效解决了数据集的数据量少、小病灶分割难度大等问题,具有全自动分割COVID-19肺炎CT图像的能力.
文献关键词：
新型冠状病毒肺炎(COVID-19);CT图像分割;多尺度编解码;深度监督机制;小病灶分割
中图分类号：
作者姓名：
陆倩杰;柏正尧;樊圣澜;周雪;许祝
作者机构：
云南大学信息学院,昆明 650500
文献出处：
引用格式：
[1]陆倩杰;柏正尧;樊圣澜;周雪;许祝-.COVID-19肺部CT图像多尺度编解码分割)[J].中国图象图形学报,2022(03):827-837
A类：
多尺度编解码,HarDNet68,MPPD,小病灶分割,深度监督机制
B类：
corona,virus,disease,肺部计算机断层扫描,computed,tomo,graphy,病变特征,割出,病灶部位,快速诊断,护具,假阴性,编解码网络,MED,multiscale,encode,network,资源利用率,计算速度,harmonic,densely,connected,block,HDB,空洞空间卷积池化金字塔,atrous,spatial,pyramid,pooling,ASPP,卷积层,多尺度特征,解码器,paralleled,partial,decoder,一个多,感受野,编码器,信息丢失,图像分割,网络学习,学习难度,segmentation,训练图像,Dice,Inf,lung,infection,deep,数据量,自动分割
AB值：
0.29962
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
