CovSegNet: An Automated COVID-19 lesion segmentation from CT scans using Deep Learning Techniques
CovSegNet: une segmentation automatisée des lésions COVID-19 à partir de tomodensitogrammes à l'aide de techniques d'apprentissage profond
Abstract
The coronavirus disease (COVID-19) pandemic has led to a devastating effect on the global public health. Computed Tomography (CT) is an effective tool in the screening of COVID-19. It is of great importance to rapidly and accurately segment COVID-19 lesions from CT images to help diagnostic and patient monitoring. In this paper, we propose a U-net based segmentation network using attention mechanism. As not all the features extracted from the encoders are useful for segmentation, we propose to incorporate an efficient attention mechanism, to an U-Net architecture to re-weight the feature representation channel-wise to capture rich contextual relationships for better features representation while maintaining a better time complexity. In addition, a novel subsampling techniques for CNN is introduced to significantly increase the amount of information kept by feature maps through subsampling layers and we finally use a focal Tversky loss to deal with small lesion segmentation. The experiment results, evaluated on a COVID-19 CT scans segmentation dataset where 3250 CT slices are available, demonstrate the proposed method can achieve an accurate and rapid segmentation on COVID-19 segmentation. The method takes only a fraction of second to segment a single CT slice.
La pandémie du coronavirus (COVID-19) a eu un effet dévastateur sur la santé publique à l'échelle mondiale. La tomodensitométrie (CT) est un outil efficace dans le dépistage du COVID-19. Il est d'une grande importance de segmenter rapidement et avec précision le COVID- 19 lésions d'images CT pour aider au diagnostic et au suivi des patients. Dans cet article, nous proposons un réseau de segmentation basé sur U-net utilisant un mécanisme d'attention. Puisque tous les features extraits des encodeurs ne sont pas utiles pour la segmentation, nous proposons d'incorporer un mécanisme d'attention efficace, à l’architecture U-Net pour repondérer la représentation des features afin de capturer des relations contextuelles riches pour une meilleure représentation des caractéristiques tout en maintenant une meilleure complexité. De plus, une nouvelle technique de sous-échantillonnage pour CNN est introduite pour augmenter considérablement la quantité d'informations conservées par les features maps à travers des couches de sous-échantillonnage et nous utilisons enfin la fonction de cout Focal Tversky(FTL) pour mieux prendre en compte la segmentation des petites lésions. Notre architecture est évaluée sur un jeu de données de segmentation de tomodensitogrammes COVID-19 où 3250 images CT sont disponibles. Les résultats démontrent que la méthode proposée peut réaliser une segmentation précise et rapide sur la segmentation COVID-19. La méthode ne prend qu'une fraction de seconde pour segmenter une image CT.
Origin | Files produced by the author(s) |
---|