Сегментация КТ-изображений лёгких при COVID-19 с применением методов глубокого обучения: U-Net versus SegNet

Введение: В настоящее время существует острая потребность в эффективных инструментах для оценки диагноза у пациентов с COVID-19. В этой статье представлены практические решения для выявления и разметки инфицированных тканей на КТ-изображениях лёгких у таких пациентов. Для семантической сегментации инфицированных участков на КТ-изображениях лёгких были изучены два структурно различных метода глубокого обучения — SegNet и U-Net.

Методы: Для классификации тканей на изображениях предложено использовать две известные сети глубокого обучения — SegNet и U-Net. SegNet характеризуется как сеть для сегментации сцен, а U-Net — как инструмент медицинской сегментации. Обе сети использовали как двоичные сегментаторы для различения инфицированной и здоровой лёгочной ткани, а также как многоклассовые сегментаторы для распознавания типа инфекции в лёгких. Каждую сеть обучали на 72 изображениях, валидировали на 10 изображениях и тестировали на оставшихся 18 изображениях. Для оценки результатов рассчитали несколько статистических показателей и свели их в таблицу.

Результаты: Результаты показали превосходство SegNet в классификации инфицированных и неинфицированных тканей по сравнению с другими методами, со средней точностью 0,95, тогда как U-Net продемонстрировала лучшие результаты как многоклассовый сегментатор, со средней точностью 0,91.

Выводы: Семантическая сегментация КТ-изображений у пациентов с COVID-19 имеет принципиальное значение, поскольку она поможет не только в диагностике заболевания, но и в количественной оценке тяжести состояния, а значит, и в определении приоритетности лечения. Предложенные компьютерные методы показали надёжность в выявлении инфицированной ткани на КТ лёгких. Наличие такого метода в условиях нынешней пандемии поможет автоматизировать, ускорить, расширить и упорядочить лечение пациентов с COVID-19 во всём мире.