基于 Transformer 网络的 COVID-19肺部 CT图像分割

摘要：

目的 COVID-19(corona virus disease 2019)患者肺部CT(computed tomography)图像病变呈多尺度特性,且形状不规则.由于卷积层缺乏长距离依赖性,基于卷积神经网络(convolutional neural network,CNN)的语义分割方法对病变的假阴性关注度不够,存在灵敏度低、特异度高的问题.针对COVID-19病变的多尺度问题,利用Trans-former 强大的全局上下文信息捕获能力,提出 了一种 COVID-19患者肺部CT图像分割的Transformer网络:COVID-TransNeto方法 该网络以Swin Transformer为主干,在编码器部分提出了一个具有残差连接和层归一化(layer nor-malization,LN)的线性前馈模块,用 于特征 图通道 维度的调整,并用轴 向注意力模块(axial attention)替换跳跃连接,提升网络对全局信息的关注度.在解码器部分引入了一种新的特征融合模块,在上采样的过程中逐级细化局部信息,并采用多级预测的方法进行深度监督,最后利用Swin Transformer模块对解码器各级特征图进行解码.结果 在COVID-19 CT segmentation数据集上实现了 0.789的Dice系数、0.807的灵敏度、0.960的特异度和0.055的平均绝对误差,较Semi-Inf-Net分别提升了 5％、8.2％、0.9％,平均绝对误差下降了 0.9％,取得了先进水平.结论 基于Transformer的COVID-19 CT图像分割网络,提高了 COVID-19病变的分割精度,有效解决了 CNN方法低灵敏度、高特异度的问题.

关键词：COVID-19、CT图像分割、Swin Transformer、轴向注意力、多级预测

所属期刊栏目：28

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-11-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：3203-3213