[论文解读] Firefly-Algorithm Supported Scheme to Detect COVID-19 Lesion in Lung CT Scan Images using Shannon Entropy and Markov-Random-Field

V. Rajinikanth, Seifedine Kadry+3 more|arXiv (Cornell University)|Apr 14, 2020

COVID-19 diagnosis using AI参考文献 28被引用 8

一句话总结

本文提出了一种结合萤火虫算法与香农熵的多阈值方法，并结合马尔可夫随机场（MRF）分割技术，用于检测CT扫描中的新冠肺炎肺部病灶。该方法提升了病灶的可见性，在病灶分割中实现了超过92%的平均准确率，展示了在自动化检测方面强大的临床潜力。

ABSTRACT

The pneumonia caused by Coronavirus disease (COVID-19) is one of major global threat and a number of detection and treatment procedures are suggested by the researchers for COVID-19. The proposed work aims to suggest an automated image processing scheme to extract the COVID-19 lesion from the lung CT scan images (CTI) recorded from the patients. This scheme implements the following procedures; (i) Image pre-processing to enhance the COVID-19 lesions, (ii) Image post-processing to extract the lesions, and (iii) Execution of a relative analysis between the extracted lesion segment and the Ground-Truth-Image (GTI). This work implements Firefly Algorithm and Shannon Entropy (FA+SE) based multi-threshold to enhance the pneumonia lesion and implements Markov-Random-Field (MRF) segmentation to extract the lesions with better accuracy. The proposed scheme is tested and validated using a class of COVID-19 CTI obtained from the existing image datasets and the experimental outcome is appraised to authenticate the clinical significance of the proposed scheme. The proposed work helped to attain a mean accuracy of >92% during COVID-19 lesion segmentation and in future, it can be used to examine the real clinical lung CTI of COVID-19 patients.

研究动机与目标

• 开发一种用于在CT扫描图像中自动、准确检测新冠肺炎肺部病灶的方法。
• 通过结合萤火虫算法与香农熵的先进图像预处理技术，提升病灶的可见性。
• 利用马尔可夫随机场（MRF）技术提高分割精度。
• 利用真实世界的CTI数据集，与真实值图像对比验证所提出方案的性能。
• 建立临床相关性，并评估其在诊断工作流程中集成的潜力。

提出的方法

• 图像预处理采用萤火虫算法（FA）与香农熵（SE）相结合的多阈值方法，以增强肺部CT扫描中病灶的对比度。
• FA+SE方法通过最大化基于熵的图像信息，优化阈值以提升图像分割质量。
• 后处理采用马尔可夫随机场（MRF）建模，以细化病灶边界并提高分割精度。
• MRF模型结合了空间上下文与局部依赖关系，以减少噪声并保留病灶结构。
• 将提取的病灶区域与真实值图像（GTI）进行比较，以评估性能。
• 该方案在公开的新冠肺炎肺部CT图像数据集上进行测试，以确保可复现性与验证性。

实验结果

研究问题

• RQ1 萤火虫算法与香农熵是否能提升肺部CT扫描中新冠肺炎病灶的分割效果？
• RQ2 与传统分割方法相比，MRF的集成在多大程度上提升了病灶检测的准确性？
• RQ3 所提出方案在分割准确率与一致性方面的定量性能如何？
• RQ4 该方法在减少假阳性结果的同时，对病灶形态的保留程度如何？
• RQ5 所提出方法是否能达到临床相关准确率，适用于真实世界的诊断应用？

主要发现

• 所提出的FA+SE与基于MRF的方法在测试的新冠肺炎CT扫描图像中实现了超过92%的平均分割准确率。
• 萤火虫算法与香农熵的结合显著提升了病灶对比度与阈值分割的精确度。
• 马尔可夫随机场分割有效减少了噪声，并改善了检测病灶的边界定义。
• 与真实值图像相比，该方法表现出极强的一致性，证实了其在病灶提取中的可靠性。
• 结果表明，该方法在自动化检测新冠肺炎肺部受累方面具有强大的临床部署潜力。
• 该方案已在真实世界数据集上得到验证，支持其在未来的临床CT图像分析中的应用。