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:Multi-task deep learning based CT imaging analysis for COVID-19 pneumonia: Classification and segmentation
论文链接:https://doi.org/10.1016/j.compbiomed.2020.104037
论文代码:
发表时间:2020年10月
数据集:http://medicalsegmentation.com /covid19/
创新点
1、提出了一种新的多任务深度学习模型,来分割、分类和图像重建任务
Abstract
本文提出了一种自动分类分割工具,用于帮助使用胸部 CT 成像筛查 COVID-19 肺炎。分割的病灶有助于评估肺炎的严重程度和对患者的随访。在这项工作中,我们提出了一种新的多任务深度学习模型来联合识别 COVID-19 患者并从胸部 CT 图像中分割 COVID-19 病变。
三个学习任务:分割、分类和重建是用不同的数据集联合执行的。我们的动机一方面是利用多个相关任务中包含的有用信息来提高分割和分类性能,另一方面是处理小数据的问题,因为每个任务可以有一个相对较小的数据集。我们的架构由一个用于分离特征表示的通用编码器和三个任务、两个解码器和一个分别用于重建、分割和分类的多层感知器组成。
使用包含 1369 名患者的数据集对所提出的模型进行评估并与其他图像分割技术进行比较,其中包括 449 名 COVID-19 患者、425 名正常患者、98 名肺癌患者和 397 名不同类型的病理患者。获得的结果表明,我们的方法的性能非常令人鼓舞,分割的骰子系数高于 0.88,分类的 ROC 曲线下面积高于 97%。
Method
基于 3 个任务的新 MTL 架构:
1)COVID 与正常与其他感染分类,
2)COVID 病灶分割,
3)图像重建。
前两个任务是必不可少的,而添加第三个任务是为了增强提取的特征表示。
在这项工作中,作者选择共享来自不同任务之间的参数。作者为三个任务创建了一个通用编码器,它以 CT 扫描作为输入,然后将其输出用于通过第一个解码器重建图像,通过第二个解码器进行分割,以及通过多层感知器与其他感染分类图像。
详细结构如下:
---------------------------------------------------------------------------------------------------------------------------------
Experinments
实验目标:不同模型分割结果
--------------------------------------------------------------------------------------------------------------------------------实验目标:我们提出的模型与分类、分割任务的最新技术之间的定量比较。
实验结果: 效果最优