改进U-Net的新冠肺炎图像分割方法

摘要

新型冠状病毒肺炎(COVID-19)大流行疾病正在全球范围内蔓延.计算机断层扫描(CT)影像技术,在抗击全球COVID-19的斗争中起着至关重要的作用,诊断新冠肺炎时,如果能够从CT图像中自动准确分割出新冠肺炎病灶区域,将有助于医生进行更准确和快速的诊断.针对新冠肺炎病灶分割问题,提出基于U-Net改进模型的自动分割方法.在编码器中运用了在ImageNet上预训练好的EfficientNet-B0网络,对有效信息进行特征提取.在解码器中将传统的上采样操作换成DUpsampling结构,以此来充分获取病灶边缘的细节特征信息,最后通过模型快照的集成提高分割的精度.在公开数据集上的实验结果表明,所提算法的准确率、召回率和Dice系数分别为84.24％、80.43％和85.12％,与其他的语义分割算法相比,该方法能有效分割新冠肺炎病灶区域,具有良好的分割性能.