基于CT图像语义的COVID-19实例分割与分类网络

TP391; 为了辅助临床医生进行COVID-19 患者的诊断及治疗,提出了一个从患者肺部CT 图像中分类、检测和分割COVID-19 病变的辅助诊断网络AIS-Net.首先,该网络将语义分割与实例分割融合,提升了实例分割精度,提出了信息增强注意力模块(IEAM),用于提升输入特征关键信息的权重.为了提高网络对假阴性的关注度,提出了一个实例分割监督方法,用于不同尺度的病变进行监控.其次,设计了一个包含主分类头与辅助分类头的模块,对新冠肺炎、普通肺炎和非肺炎进行分类.在辅助分类中引入了Swin Transformer,提出了区分普通肺炎与新冠肺炎病变的方法.在CC-CCII 分割数据集上实例分割...

Full description

Saved in:
Bibliographic Details
Published in计算机科学 Vol. 50; no. z1; pp. 378 - 386
Main Authors 柏正尧, 樊圣澜, 陆倩杰, 周雪
Format Journal Article
LanguageChinese
Published 云南大学信息学院 昆明650502 2023
Subjects
Instance segmentation
COVID-19 classification
实例分割
语义分割
Semantic segmentation
CT图像
CT images
COVID-19分类
Swin Transformer
Online AccessGet full text

Cover

More Information
Summary:TP391; 为了辅助临床医生进行COVID-19 患者的诊断及治疗,提出了一个从患者肺部CT 图像中分类、检测和分割COVID-19 病变的辅助诊断网络AIS-Net.首先,该网络将语义分割与实例分割融合,提升了实例分割精度,提出了信息增强注意力模块(IEAM),用于提升输入特征关键信息的权重.为了提高网络对假阴性的关注度,提出了一个实例分割监督方法,用于不同尺度的病变进行监控.其次,设计了一个包含主分类头与辅助分类头的模块,对新冠肺炎、普通肺炎和非肺炎进行分类.在辅助分类中引入了Swin Transformer,提出了区分普通肺炎与新冠肺炎病变的方法.在CC-CCII 分割数据集上实例分割的平均精度均值(mAP)为56.53％,比目前最好的方法提升了11.77％;Dice 系数、灵敏度、特异度分别为80％,85.1％,99.3％,比目前最好的方法分别提升了4.7％,3.7％,1.2％.在COVIDX-CT 分类数据集上实现了99.07％的总体准确度,比目前最好的方法提升了0.92％.AIS-Net 可通过CT 图像对COVID-19 患者进行有效诊断,并对病变部位进行分割及检测.
ISSN:1002-137X
DOI:10.11896/jsjkx.220600142