深圳先進院針對肺部CT影像提出一種基于聚焦-融合-修正的深度網絡架構
近日，中國科學院深圳先進技術研究院數字所生物醫學信息技術研究中心李燁研究員團隊與中國人民解放軍總醫院團隊合作，針對肺部CT影像提出了一種基于聚焦-融合-修正的上下文學習深度神經網絡，實現了新冠肺炎（COVID-19）肺部感染病變的自動識別與分割，有效提升了計算機斷層掃描（CT）影像中病變區域的自動分析與識別準確率。該成果已發表在計算機人工智能期刊IEEE Transactions on Neural Networks and Learning Systems上。
通過人工智能算法從CT圖像中自動檢測和識別COVID-19肺部感染，可以為病人診斷、治療以及預后監測提供一種快速且有效的計算機輔助診斷方法，同時可以有效緩解專業放射科及臨床醫生短缺問題，為及時快速篩查和分級診斷提供輔助影像學證據。然而，從二維CT圖像中分割感染區域面臨著諸多挑戰，其中包括感染區域特征的高度變化以及感染與正常組織之間的對比度低、邊緣模糊等問題。
針對上述問題，團隊提出了一種基于聚焦-融合-修正的深度網絡架構，通過設計的自動聚焦和全景聚合模塊自適應的、整合了網絡同級和跨層級的上下文信息，有效緩解了由于病變分布散亂、形狀不規則等造成的識別精度低問題。進一步，網絡架構中引入結構一致性修正機制，在學習過程中利用距離映射對每個像素及其周圍區域進行編碼，有效將區域的結構信息引入學習過程，提高了模型對復雜病變結構的感知，降低了其它信息的干擾。在新冠肺炎CT影像分割應用中，分割效果超過近期提出的多種深度學習方法。
該研究工作得到中科院戰略性先導科技專項（B類）、深圳市科創委“新型冠狀病毒感染應急防治”專項以及國家自然科學基金等的資助。
基于聚焦-融合-修正的上下文學習網絡示意圖
