基于深度学习和CT影像的新型冠状病毒肺炎病灶分割

• 作者: 李秀丽 毛丽
• 来源期刊: 集成技术
• 学科: 工学
• 关键词: UNet++ 语义分割 深度学习 新型冠状病毒肺炎
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 生物医药与生物医学工程
• 页码范围: 40-47
• 页数: 8页
• 分类号: TP399
• 语种: 中文
• DOI: 10.12146/j.issn.2095-3135.20200921001

摘要

胸部CT图像中新型冠状病毒肺炎(COVID-19)病灶的准确分割可以为诊断提供助力.新型冠状病毒肺炎在CT影像上的表现包括磨玻璃影、实变、胸腔积液病灶等,这些征象的纹理、大小和位置变化较大.该研究提出的深度神经网络RCB-UNet++,可以用于新型冠状病毒肺炎在CT影像上的分割问题.该网络在UNet++网络的基础上,增加了残差模块和卷积块注意力模块.此架构能有效地提取底层的纹理信息和高层的语义信息,并基于注意力机制优化模型效果.该研究所提出的RCB-UNet++模型经过在45例样本上的训练后,在50例测试集上的Dice系数达到了0.715,且敏感性和特异性分别达到了0.754和0.952,超过基于同样数据划分的其他已发表的深度学习模型.这表明所提出的算法有效地提高了分割效果,具有从CT图像中全自动分割新型冠状病毒肺炎病灶的潜力.