基于深度学习的新型冠状病毒肺炎CT征象检测研究

发布时间：2024-03-24 17:10

　　放射诊断是新型冠状病毒肺炎(Coronavirus Disease 2019,COVID-19)诊疗过程中的重要环节,然而CT影像数据量较大,单个患者阅片耗时较长,为医生诊断带来巨大压力。本研究基于不同医院COVID-19患者的数据脱敏CT影像,通过深度学习的方法学习样本病灶纹理,提出了一种基于时间空间序列卷积的图像检测模型。该模型能快速定位CT影像中病灶区域,并关联同一患者不同阶段CT影像,综合得到更准确的检测结果。本文的研究可以提高COVID-19的初步诊断及鉴别诊断效率,可用于辅助临床诊断,为疾病控制做出贡献。

【文章页数】：4 页

【部分图文】：

图1待分割肺实质及对应标注掩模

对COVID-19病灶的检测，第一步需要对影像中肺实质部分进行分割，根据分割后的区域位置进行几何学运算得到合理的目标区域。我们对50例COVID-19患者以及30例健康人的CT影像逐层进行肺实质轮廓医学标注，标注图像样本如图1所示，利用标注后的每一层肺实质进行2D肺部分割模型训练....

图2肺部影像语义分割结果

以上步骤的目的是减少后续病灶检测的无关区域，可以显著地提高模型推理检测的效率。2.2基于时空序列特征提取的目标检测模型

图3基于时空序列卷积的目标检测模型结构

时间序列卷积层的设计原理基于单向循环神经网络结构和常规的2D卷积层结构。根据对COVID-19病灶CT征象的阶段性特征分析，以单向时间轴的序列抽象顺序提取影像上下文语义特征更为合理。经过两个时间序列卷积层的卷积操作，其特征图输入给后续卷积层进行最后阶段的特征提取，得到预测结果。具....

图4模型对COVID-19CT影像断层的检测结果

模型的检测结果如图4所示，对CT影像断层中病灶区域进行目标识别与定位，为医务人员提供辅助诊断参考结果。3实验结果

本文编号：3937779