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 tomography,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。

摘要：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。