COVID-19肺部CT图像多尺度编解码分割

• 作者: 陆倩杰 柏正尧 樊圣澜 周雪 许祝
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 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
• 年，卷（期）: 2022,（3）
• 所属期刊栏目: 计算机断层扫描图像|Computerd Tomography Image
• 页码范围: 827-837
• 页数: 11页
• 分类号: TP391
• 语种: 中文

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.