基于改进3D U-net的CT肺部影像Covid-19感染区域自动检测研究

摘要

目的 研究基于改进3D U-net和计算机断层扫描(CT)的新型冠状病毒2019 (Covid-19)对肺部感染区域的自动检测算法。方法 本文Covid-19病人数据来自Covid-19 Lung CT Lesion Segementation Challenge-2020挑战赛,其中共199例Covid-19(RTPRC)检测为阳性病例,被划分为训练集(n=160)和验证集(n=39),测试集(n=50)来自公开的MosMed新冠肺炎数据集;同时选取NSCLC数据集作为肺部分割训练集(n=78),以及选取Covid-19-CT-Seg数据集作为测试集(n=20);本研究在3D U-net的基础上集成注意力机制,提出一种改进的3D U-net网络模型用于Covid-19患者的肺部感染区域的检测,并采用Dice系数、敏感性和特异性指标评估模型的检测能力。结果 所提方法在公开的MosMed新冠肺炎数据集上取得0.53的Dice系数、0.74的敏感性、0.99的特异性。结论 所提方法相比于最新算法在肺部感染区域自动检测上有更高的精度,有助于医生更好的掌握Covid-19对肺部的整体感染情况。