COVIDSeg:新冠肺炎肺部CT图像轻量化分割模型

作者：谢娟英^*; 夏琴

来源：陕西师范大学学报(自然科学版), 2022, 50(03): 65-78.

DOI：10.15983/j.cnki.jsnu.2022108

• 新型冠状病毒肺炎
• 计算机辅助诊断
• CT图像
• 分割
• 注意力机制

新型冠状病毒肺炎(COVID-19)严重威胁人类健康，计算机自动分割患者肺部CT(computed tomography)图像是辅助医生进行快速准确诊断的重要手段。为此，提出针对新冠肺炎肺部CT图像分割的轻量化模型COVIDSeg。模型采用编码器-解码器结构，提出压缩-扩展通道注意力模块(squeeze and extend channel attention block, SECA)和残差多尺度注意力模块(residual multi-scale channel attention block, RMSCA)构成编码子网络主要组成模块，提出双通路结构连接编码子网络的各模块，通路内特征逐层传递，通路之间多级特征信息交互，促进不同层级有效信息的传递和表达；采用特征聚合模块作为解码子网络的主要组成模块，通过多尺度特征解码实现多路径解码器。在4个公开使用的COVID-19 CT图像数据集的实验测试表明，提出的轻量化新冠肺炎CT图像分割模型COVIDSeg在多项指标上优于当前主流的医学图像分割模型。通过消融实验分析主要模块对模型性能的影响，验证了提出的缩减-扩展通道注意力模块SECA和残差多尺度注意力模块RMSCA的有效性。分割结果可视化显示，模型对新冠肺炎肺部CT图像的分割结果与图像的真实Mask标记基本相同。

• 单位
  陕西师范大学