摘要
近年来人工智能应用于 COVID-19 医学影像诊断，降低了检测成本和漏检率，具有较好的预测精度。但现有方法多数针对 COVID-19 患者冠状位或者横断位 CT 切片图像研究，忽略了感染区域的空间体素信息，容易将其它组织器官或背景识别为感染区域，增加误诊率。同时三维 CT 样本前景与背景体素占比过小，增加漏报率。为此本文提出一种高效的 3D Hm-UNet 模型分割 3D COVID-19感染区域。对于临床 3D COVID-19 CT 图像样本背景噪声较多，前景感染区域相对于背景空间体素占比较小的问题，采用 Mean-shift 阈值法和区域生长算法提取感兴趣区域(ROI)，增加感染区域体素占比。并采用基于全局位置编码的分块(Patch)训练策略，减少Patch之间全局位置信息丢失，对Patch图像设置动态学习权重系数，让具有不同前景、背景体素占比的batch拥有不同学习率，增强模型对感染区域特征关注度，提高分割性能。根据公开 3D COVID-19 CT 样本 5 折交叉验证结果，3D Hm-UNet 模型平均 Dice=66.47%，ASD=10.00mm，Sensitivity =68.63%。与典型3D分割模型相比，具有较好的分割精度和泛化性能。 另外，临床 3D 医学影像样本数量较少，在训练阶段容易出现过拟合现象，单模型训练方式无法有效提取感染区的差异化体素特征，降低了分割性能。为此本文提出基于协同训练的半监督学习 3D 医学图像分割模型。使用空间翻转和窗口技术生成多视角、多模态图像，增强 3D 图像样本的空间差异性。采用一种基于加权不确定度的虚拟标签生成模块 UA-CT，为无标签数据生成可靠的虚拟标签，增加样本数量，减少过拟合。并采用三阶段协同训练过程，首先根据有标签数据训练单网络，然后加入无标签数据训练双模态网络，进而生成虚拟标签，最后针对多视角、多模态的有标签和虚拟标签样本，采用三维度六模型联合训练，增强分割精度和泛化性能。并在损失函数中增加一致性正则项，加快训练过程的收敛速度。此外，本文以热力图方式可视化协同训练各阶段的特征关注度，为临床诊断提供有效参考。针对公开3D COVID-19 CT样本以及TCIA无标签样本集，包含661位新冠患者的771例NIFTI格式的CT图像展开研究 ，5折交叉验证结果表明，本文模型平均Dice=75.13% ,ASD=9.28mm ,Sensitivity = 69.23%，与各种典型半监督学习3D分割模型相比，具有更好的分割精度和泛化性能。
NETL