|本期目录/Table of Contents|

[1]祝鹏烜,黄体仁,李旭.MSAG-TransNet：肺部CT图像中新冠肺炎感染新型冠状病毒感染区域的分割模型[J].浙江理工大学学报,2023,49-50(自科六):734-744.
　ZHU Pengxuan,HUANG Tiren,LI Xu.MSAG-TransNet: Segmentation model of COVID-19 infected areas in lung CT images[J].Journal of Zhejiang Sci-Tech University,2023,49-50(自科六):734-744.
点击复制

MSAG-TransNet：肺部CT图像中新冠肺炎感染新型冠状病毒感染区域的分割模型()
分享到：

浙江理工大学学报[ISSN:1673-3851/CN:33-1338/TS]

卷:
第49-50卷
期数:
2023年自科第六期
页码:
734-744
栏目:
出版日期:
2023-11-10

文章信息/Info

Title:
MSAG-TransNet: Segmentation model of COVID-19 infected areas in lung CT images
文章编号:
1673-3851 (2023) 11-0734-11
作者:
祝鹏烜; 黄体仁; 李旭
浙江理工大学理学院，杭州 310018
Author(s):
ZHU Pengxuan;  HUANG Tiren;  LI Xu
School of Science, Zhejiang SciTech University, Hangzhou 310018, China
关键词:
新型冠状病毒感染; CT图像; 图像分割; 卷积神经网络; U型网络; Transformer
分类号:
TP391.4
文献标志码:
A
摘要:
针对现有新冠肺炎感染新型冠状病毒感染区域的分割方法存在形态特征提取不充分、感染区域检测不完整以及背景混淆等问题，提出了一种肺部CT图像中新冠肺炎感染新型冠状病毒感染区域的分割新模型：MSAG-TransNet模型。该模型在U型网络的基础上增加了多尺度特征抽取模块、Transformer语义增强模块和多重注意力门模块等3个新模块。首先设计了多尺度特征抽取模块来增强骨干网络的特征提取能力，通过多分支结构的深度可分离卷积，充分提取感染区域的形态特征；其次，设计了Transformer语义增强模块来捕获图像全局位置信息，整合局部形态特征；最后，设计了多重注意力门模块，将提取的特征与对应上采样过程的门信号拆分成不同分区，然后利用注意力门抑制各分区的无效特征，得到最终分割结果。该模型在两个公开的新冠肺炎新型冠状病毒感染CT数据集上进行实验，实验结果显示：分割图像的Dice系数分别为82.03%和76.67%，精确率为77.27%和72.34%，交并比为69.53%和62.16%；与其他主流模型相比，该模型能够提取更丰富的形态特征，检测到更完整的感染区域，并且得到更精准的分割结果。该模型可以更精确的定位和量化新冠肺炎感染新型冠状病毒感染区域，为临床诊疗提供可靠参考。

参考文献/References:

［1］World Health Organization. WHO coronavirus(COVID19) dashboard［EB/OL］. (20230130)［20230303］. https:∥covid19.who.int/.

［2］左斌, 李菲菲. 基于注意力机制和InfNet的新冠肺炎图像分割方法［J］. 电子科技, 2023, 36(2): 2228.

［3］Ma J, Wang Y X, An X L, et al. Toward dataefficient learning: a benchmark for COVID19 CT lung and infection segmentation［J］. Medical Physics, 2021, 48(3): 11971210.

［4］Zhao W T, Jiang W, Qiu X G. Deep learning for COVID19 detection based on CT images［J］. Scientific Reports, 2021, 11:14353.

［5］Wu J T, Leung K, Leung G M. Nowcasting and forecasting the potential domestic and international spread of the 2019nCoV outbreak originating in Wuhan, China: A modelling study［J］. The Lancet, 2020, 395(10225): 689697.

［6］Cong R M, Zhang Y M, Yang N, et al. Boundary guided semantic learning for realtime COVID19 lung infection segmentation system［J］. IEEE Transactions on Consumer Electronics, 2022, 68(4): 376386.

［7］彭璟，罗浩宇，赵淦森，等. 深度学习下的医学影像分割算法综述［J］. 计算机工程与应用，2021, 57(3): 4457.

［8］Ronneberger O, Fischer P, Brox T. UNet: Convolutional networks for biomedical image segmentation［C］∥International Conference on Medical Image Computing and ComputerAssisted Intervention. Cham: Springer, 2015: 234241.

［9］王卓英，童基均，蒋路茸，等. 基于UDensenet网络的DSA图像冠状动脉血管分割［J］. 浙江理工大学学报(自然科学版), 2021, 45(3): 390399.

［10］Zhou Z W, Rahman Siddiquee M M, Tajbakhsh N, et al. UNet++: A nested UNet architecture for medical image segmentation［C］∥International Workshop on Deep Learning in Medical Image Analysis, International Workshop on Multimodal Learning for Clinical Decision Support. Cham: Springer, 2018: 311.

备注/Memo

备注/Memo:

收稿日期： 2023-03-03

基金项目： 浙江省自然科学基金项目(LQ21F030019) 

作者简介： 祝鹏烜(1993-)，男，浙江江山人，硕士研究生，主要从事医学图像分割方面的研究。

通信作者： 李旭，Email：lixu0103@163.com

更新日期/Last Update: 2023-11-14