放射診斷是新型冠狀病毒肺炎(Coronavirus Disease 2019,COVID-19)診療過程中的重要環(huán)節(jié),然而CT影像數(shù)據(jù)量較大,單個患者閱片耗時較長,為醫(yī)生診斷帶來巨大壓力。本研究基于不同醫(yī)院COVID-19患者的數(shù)據(jù)脫敏CT影像,通過深度學習的方法學習樣本病灶紋理,提出了一種基于時間空間序列卷積的圖像檢測模型。該模型能快速定位CT影像中病灶區(qū)域,并關聯(lián)同一患者不同階段CT影像,綜合得到更準確的檢測結果。本文的研究可以提高COVID-19的初步診斷及鑒別診斷效率,可用于輔助臨床診斷,為疾病控制做出貢獻。

【文章頁數(shù)】：4 頁

【部分圖文】：

圖1待分割肺實質及對應標注掩模

對COVID-19病灶的檢測，第一步需要對影像中肺實質部分進行分割，根據(jù)分割后的區(qū)域位置進行幾何學運算得到合理的目標區(qū)域。我們對50例COVID-19患者以及30例健康人的CT影像逐層進行肺實質輪廓醫(yī)學標注，標注圖像樣本如圖1所示，利用標注后的每一層肺實質進行2D肺部分割模型訓練....

圖2肺部影像語義分割結果

以上步驟的目的是減少后續(xù)病灶檢測的無關區(qū)域，可以顯著地提高模型推理檢測的效率。2.2基于時空序列特征提取的目標檢測模型

圖3基于時空序列卷積的目標檢測模型結構

時間序列卷積層的設計原理基于單向循環(huán)神經(jīng)網(wǎng)絡結構和常規(guī)的2D卷積層結構。根據(jù)對COVID-19病灶CT征象的階段性特征分析，以單向時間軸的序列抽象順序提取影像上下文語義特征更為合理。經(jīng)過兩個時間序列卷積層的卷積操作，其特征圖輸入給后續(xù)卷積層進行最后階段的特征提取，得到預測結果。具....

圖4模型對COVID-19CT影像斷層的檢測結果

模型的檢測結果如圖4所示，對CT影像斷層中病灶區(qū)域進行目標識別與定位，為醫(yī)務人員提供輔助診斷參考結果。3實驗結果

本文編號：3937779