【论文笔记】covid-19肺部感染区域分割基准

来自γ星的赛亚人

已于 2022-05-06 19:59:56 修改

阅读量1.3k

点赞数 2

分类专栏：论文笔记文章标签：深度学习计算机视觉人工智能

于 2022-05-06 19:52:21 首次发布

本文链接：https://blog.csdn.net/m0_58678659/article/details/124615585

版权

论文笔记专栏收录该内容

47 篇文章 7 订阅

订阅专栏

该研究创建了一个COVID-19 CT肺部和感染分割的新数据集，提供了三个分割基准任务，针对少样本学习、领域泛化和知识转移。通过40多个预训练模型，促进了数据高效深度学习方法的发展，平均Dice相似系数和归一化表面Dice得分显示出高精度。这一资源为COVID-19 CT图像分析的研究提供了基础和比较标准。

摘要由CSDN通过智能技术生成

声明

不定期更新自己精度论文，通俗易懂，初级小白也可以理解

涉及范围：深度学习方向，包括 CV、NLP、Data Fusion、Digital Twin

论文标题：

Towards Data-Efficient Learning: A Benchmark for COVID-19 CT Lung and Infection Segmentation

迈向数据高效学习：2019冠状病毒疾病CT肺部和感染分割的基准

论文链接：https://arxiv.org/abs/2004.12537v2

论文代码：https://github.com/HzFu/COVID19_imaging_AI_paper_list

实验数据集：https://github.com/ieee8023/covid-chestxray-dataset

本文创建的新数据集：https://github.com/JunMa11/COVID-19-CT-Seg-Benchmark

发表时间：2020年12月

创新点

1、提供了一个全新的 covid-19 数据集，包含了左肺、右肺和感染区域的注释

2、建立了三个肺部感染区域的分割基准任务

Abstract

目的：在 COVID-19 CT 扫描中准确分割肺部和感染在患者的定量管理中起着重要作用。大多数现有研究都是基于大型和私人注释数据集，从单一机构获得这些数据集是不切实际的，尤其是在放射科医生忙于与冠状病毒疾病作斗争时。此外，很难比较当前的 COVID-19 CT 分割方法，因为它们是在不同的数据集上开发的，在不同的设置中进行训练，并使用不同的指标进行评估。

方法：为了促进数据高效的深度学习方法的发展，在本文中，我们基于 70 个带注释的 COVID-19 病例建立了三个肺和感染分割基准，其中包含当前活跃的研究领域，例如少样本学习、领域泛化和知识转移。为了公平比较不同的分割方法，我们还提供了标准的训练、验证和测试分割、评估指标和相应的代码。

结果：基于最先进的网络，我们提供了 40 多个预训练的基线模型，这些模型不仅可以作为开箱即用的分割工具，还可以为有兴趣的研究人员节省计算时间COVID-19 肺和感染分割。左肺、右肺和感染的平均 Dice 相似系数 (DSC) 得分分别为 97.3%、97.7% 和 67.3%，平均归一化表面 Dice (NSD) 得分分别为 90.6%、91.4% 和 70.0% .

结论：据我们所知，这项工作提出了第一个用于医学图像分割的数据高效学习基准，以及迄今为止最大数量的预训练模型。所有这些资源都是公开的，我们的工作为促进深度学习方法的发展奠定了基础，以利用有限的数据实现高效的 COVID-19 CT 分割。