基于Transformer网络的COVID-19肺部CT图像分割

作者：樊圣澜; 柏正尧^*; 陆倩杰; 周雪

来源：中国图象图形学报, 2023, 28(10): 3203-3213.

• COVID-19
• CT图像分割
• Swin Transformer
• 轴向注意力
• 多级预测

目的 COVID-19(corona virus disease 2019)患者肺部CT(computed tomography)图像病变呈多尺度特性，且形状不规则。由于卷积层缺乏长距离依赖性，基于卷积神经网络（convolutional neural network,CNN）的语义分割方法对病变的假阴性关注度不够，存在灵敏度低、特异度高的问题。针对COVID-19病变的多尺度问题，利用Transformer强大的全局上下文信息捕获能力，提出了一种COVID-19患者肺部CT图像分割的Transformer网络：COVIDTransNet。方法 该网络以Swin Transformer为主干，在编码器部分提出了一个具有残差连接和层归一化（layer normalization,LN）的线性前馈模块，用于特征图通道维度的调整，并用轴向注意力模块（axial attention）替换跳跃连接，提升网络对全局信息的关注度。在解码器部分引入了一种新的特征融合模块，在上采样的过程中逐级细化局部信息，并采用多级预测的方法进行深度监督，最后利用Swin Transformer模块对解码器各级特征图进行解码。结果在COVID-19 CT segmentation数据集上实现了0.789的Dice系数、0.807的灵敏度、0.960的特异度和0.055的平均绝对误差，较Semi-Inf-Net分别提升了5%、8.2%、0.9%，平均绝对误差下降了0.9%，取得了先进水平。结论基于Transformer的COVID-19 CT图像分割网络，提高了COVID-19病变的分割精度，有效解决了CNN方法低灵敏度、高特异度的问题。

• 单位
  云南大学