Osegnet-F-Unext：一种基于O-Segnet-Fusion-Unext算法的肺部分割技术，用于利用计算机断层扫描（CT）图像对COVID-19患者的肺叶进行分割

《European Spine Journal》：Osegnet-F-Unext: O-Segnet-Fusion-Unext for pulmonary lobe segmentation of Covid-19 using Computed Tomography image

针对COVID-19 CT图像肺叶分割的挑战，提出结合幂律变换图像增强与O-Segnet-Fusion-Unext模型（融合O-Segnet和Unext网络），实验显示其分割精度达91.55%，Jaccard系数0.903，Dice系数0.898。

　　

摘要

目的

近年来，严重急性呼吸综合征冠状病毒病2019（COVID-19）在全球范围内引发了严重的健康问题。该疾病导致了经济困境、健康问题以及大量人员死亡。尽管已经开发出许多先进技术用于分割COVID-19患者的肺叶，但这些技术在肺叶分割方面仍存在不足。传统模型无法捕捉到由COVID-19引起的肺部组织的细微变化和复杂结构。因此，为了利用计算机断层扫描（CT）图像改进COVID-19的肺叶分割效果，本文提出了一种有效的方法，即O-Segnet-Fusion-Unext（Osegnet-F-Unext）。

方法

首先，将输入的COVID-19 CT图像送入图像增强处理流程。图像增强采用幂律变换技术完成。随后，将增强后的图像结果用于肺叶分割。分割过程采用所提出的Osegnet-F-Unext方法，该模型结合了O-Segnet和Unext网络。此外，通过分割准确性、Jaccard系数和Dice系数来评估Osegnet-F-Unext模型的性能。

结果

实验结果表明，O-Segnet-F-Unext方法的分割准确率达到91.55%，Jaccard系数为0.903，Dice系数为0.898。

结论

所提出的Osegnet-F-Unext模型为COVID-19的肺叶分割提供了一种可靠且有效的方法。