22、基于FCSegNet的COVID - 19 CT图像分割方法研究

基于FCSegNet的COVID - 19 CT图像分割方法研究

1. COVID - 19 CT图像分割难题

COVID - 19感染区域在肺部CT图像中呈现出复杂的特征。大多数病变位于周边，背部肺部区域稍多。由于其特殊结构和视觉特征，感染区域边界很难与胸壁区分，这给准确分割带来了极大挑战。不过，在标注处理中，通过调整窗宽和窗位的不同参数，可以揭示感染区域的边界，这对感染图像分割十分有益。

2. FCSegNet方法概述

FCSegNet是一种基于三维卷积的深度学习方法，可用于从胸部CT图像中自动分割COVID - 19感染区域和整个肺部。此方法对COVID - 19患者的早期筛查大有帮助。
- Feature Variation (FV) 块 ：受标注处理中观察的启发，通过调整窗宽和窗位突出COVID - 19感染区域边界。FV块的核心思想是在特征层面自动自适应地增强对比度和调整强度。它利用通道注意力获取全局参数生成新特征，同时使用空间注意力引导编码器中的特征提取，有效增强了COVID - 19分割的特征表示能力。
- Progressive Atrous Spatial Pyramid Pooling (PASPP) 块 ：用于处理COVID - 19感染区域形状变化的挑战。PASPP由基础卷积模块和一系列空洞卷积层组成，采用多级并行融合分支获取最终特征。每个空洞卷积层使用合理膨胀率的空洞滤波器覆盖不同感受野，逐步聚合信息，有效融合多尺度信息，提升了COVID - 19肺炎分割性能。

3. 数据与材料