CT(Computed Tomography)肺部图像的毛玻璃病变是检测新冠肺炎的重要指标之一,准确分割病变区域对诊断、治疗和预后有重要意义。然而,作为世界性的流行性疾病,新冠肺炎患者肺部的病变类型、大小会随着人口种群、病情以及采集设备的不同...CT(Computed Tomography)肺部图像的毛玻璃病变是检测新冠肺炎的重要指标之一,准确分割病变区域对诊断、治疗和预后有重要意义。然而,作为世界性的流行性疾病,新冠肺炎患者肺部的病变类型、大小会随着人口种群、病情以及采集设备的不同存在较大差异,难以获得具备泛化能力的定量分析模型。本文提出一种基于U-net的深度卷积网络,通过提取感兴趣区(region of interest,ROI)解决分割中前景背景不均衡的问题;同时,我们集成不同分辨率的网络,通过不同的感受野实现鲁棒分割多种分辨率图像的目的。为了解决医学图像数据集小的问题,在训练和测试阶段采用数据扩增技术来避免分割结果出现假阳性。在训练集和测试集含有199个和46个多站点新冠肺炎病变患者CT图像的数据集上对本文提出的方法进行了验证,从Dice指标来看,本文算法获得了较好的效果。展开更多
文摘CT(Computed Tomography)肺部图像的毛玻璃病变是检测新冠肺炎的重要指标之一,准确分割病变区域对诊断、治疗和预后有重要意义。然而,作为世界性的流行性疾病,新冠肺炎患者肺部的病变类型、大小会随着人口种群、病情以及采集设备的不同存在较大差异,难以获得具备泛化能力的定量分析模型。本文提出一种基于U-net的深度卷积网络,通过提取感兴趣区(region of interest,ROI)解决分割中前景背景不均衡的问题;同时,我们集成不同分辨率的网络,通过不同的感受野实现鲁棒分割多种分辨率图像的目的。为了解决医学图像数据集小的问题,在训练和测试阶段采用数据扩增技术来避免分割结果出现假阳性。在训练集和测试集含有199个和46个多站点新冠肺炎病变患者CT图像的数据集上对本文提出的方法进行了验证,从Dice指标来看,本文算法获得了较好的效果。