精读Label-Free Segmentation of COVID-19 Lesions in Lung CT

摘要

        新冠刚爆发时，医学界缺少有标记的肺部CT图像，但得益于多年的数据收集，研究人员可以轻易地获得大量的健康肺部图像。于是本文作者抓住这一点，在健康的肺部图像上叠加生成的病灶区域，然后让网络尽可能复原出健康的肺部的形态。在实际使用中，将患者肺部CT图像与网络处理后得到的健康图像做对比，就可找出差异区域。

方法

架构

图一  正常肺部CT图像和新冠肺炎患者肺部CT图像的对比，上面一行中，橙色箭头所指向的区域为病灶

        如图一所示，新冠患者的肺部CT图基本是在正常肺部CT图的基础上，在原本为黑色的范围中叠加了一堆点状或絮状白色物质。

图二  训练和使用模型时的流程示意图

        因此，在训练阶段，作者在带有mask的健康肺部图像的基础上，生成一个新的maskG，在G的范围里通过强度图，生成椒盐噪声，模拟肺部病灶，叠加在健康肺部图像上。之后，叠加图直接把G覆盖的范围遮罩掉，当作健康肺部部分的GT，同时本文提出的NormNet尽可能将合成图像还原为GT。

        这里之所以采用直接把G覆盖部分抹掉的方法，是因为肺部病灶是一整块，而且健康肺部CT图像的深色区域中，依然存在些许白色的部分。如果用数据集中的健康图像作为GT，模型会尽可能还原出maskG所覆盖的区域中的肺部正常的白色部分，那么将真实的患者的肺部CT图像与网络还原出来的图像作比较时，会漏掉肺部中与病灶重合的白色部分。

病灶生成

图三  病灶生成流程示意图，上面是生成maskG的过程，下面是生成填充G的噪音的过程。

        G的生成是将一堆圆和椭圆进行弹性变形和随即旋转，得到一些随机的对象，然后在健康肺部自带的mask上选择一些坐标点，将一些对象放在这些坐标。而噪音的生成是将一副椒盐噪声图像进行高斯滤波模糊化处理，然后改变尺寸。之后，将得到的结果作为材质，填充进对象，便得到了合成图像。

实验

        这部分没啥好说的，牛逼就完事了，看图吧。每一列黑色加粗为第一，红的第二，蓝色第三。