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:DMDF-Net: Dual multiscale dilated fusion network for accurate segmentation of lesions related to COVID-19 in lung radiographic scans
论文链接:https://doi.org/10.1016/j.eswa.2022.117360
论文代码:
发表时间:2022年3月
创新点
1、提出了一种双尺度扩张融合网络(DMF-Net)
2、引入了额外的预处理和后处理,并且引入了一种感兴趣区域融合概念
Abstract
最近发生的 COVID-19 灾难由于其高度传染性,已将整个世界带到了毁灭的边缘。在这次大流行中,放射成像模式,特别是计算机断层扫描 (CT),在有效诊断这种病毒方面表现出显着的性能。然而,CT 数据的诊断评估是一个依赖于人的过程,需要放射科专家有足够的时间。
人工智能的最新发展已经用计算机辅助诊断 (CAD) 方法取代了几种个人诊断程序,这些方法甚至可以实时进行有效诊断。针对 COVID19,文献中开发了各种 CAD 方法,可以检测和定位胸部 CT 图像中的感染区域。然而,大多数现有方法不提供交叉数据分析,这是评估 CAD 方法通用性的基本措施。一些研究在他们的方法中进行了交叉数据分析。然而,这些方法在现实世界的场景中显示出有限的结果,而没有解决普遍性问题。因此,在本研究中,我们试图解决普遍性问题,并提出一种基于深度学习的 CAD 解决方案,用于从胸部 CT 图像诊断 COVID-19 病变。
我们提出了一种双多尺度扩张融合网络 (DMDF-Net),用于对给定 CT 图像中的小病灶进行稳健分割。所提出的网络主要利用编码器和解码器模块内部多尺度深度特征融合的优势,以互惠互利的方式实现卓越的分割性能。在所提出的方法中引入了额外的预处理和后处理步骤,以解决普遍性问题并进一步提高诊断性能。主要是在后处理步骤中引入后感兴趣区域(ROI)融合的概念,减少了假阳性的数量,并提供了一种准确量化肺部感染区域的方法。因此,所提出的框架通过实现出色的感染分割结果优于各种最先进的方法,平均 Dice 相似系数为 75.7%,交叉联合为 67.22%,平均精度为 69.92%,灵敏度为 72.78%,特异性99.79%,增强对齐测量为 91.11%,平均绝对误差为 0.026。
Method
如上图所示,所提出的 CAD 框架主要包括以下四个阶段:
1)数据预处理步骤;
2)肺分割网络(DMDF-Net-1);
3)感染分割网络(DMDF-Net-2);
4) 后处理步骤。
首先,在第一阶段,输入 CT 图像 I 的颜色和对比度通过应用简单的 Reinhard 变换 (RT) 根据训练数据集进行调整;
随后,第二和第三阶段使用两个独立的 DMDF-Nets 处理增强图像 IT(预处理后获得),并分别生成肺感兴趣区域 I'1 和感染区域 I'2 的分割图像;
最后,后处理阶段进一步细化 I'2 并通过执行后 ROI 融合生成最终输出 I' ,并提供关于肺叶内感染区域的定位良好的信息。
---------------------------------------------------------------------------------------------------------------------------------
DMDF-Net
主要利用分组卷积(G-Conv)和扩张卷积(D-Conv)层的来开发的网络,整体结构如上图。
网络设计主要包括编码器部分,然后是解码器模块。
编码器部分主要利用给定图像的多尺度深度特征,并将其表示为包含主要特征的 3D 张量;
随后,解码器模块对 3D 张量(编码器输出)进行上采样并生成二进制图像作为最终输出。
---------------------------------------------------------------------------------------------------------------------------------
Experiments
实验目标:所提出框架的肺分割结果与其他最先进的深度分割模型的视觉比较
实验目标:所提出的 DMDF-Net-1、DMDF-Net-2 的定量结果与用于感染分割任务的不同最先进的分割网络进行比较
实验结果: