CRV-NET:在肺部计算机断层扫描图像中对冠状病毒的强烈强度识别

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 数字医疗需要早期的传染病诊断,COVID-19检测是关键的临床需求.
• 深度学习模型在医学图像分析中表现有前途,但往往缺乏对COVID-19检测的稳定性.
• 计算机断层扫描 (CT) 扫描对于可视化内部结构,包括肺部至关重要,有助于疾病识别.

研究的目的:

• 提出CRV-NET,一种经过修改的深度学习U-Net模型,用于在肺部CT扫描中强大的COVID-19检测.
• 开发肺部CT图像的自动细分方法,以减少专家的时间和人类错误.
• 评估CRV-NET与现有的最先进模型相比的准确性和稳定性.

主要方法:

• 利用了一个公共的SARS-CoV-2CT扫描数据集,为CRV-NET模型定制.
• 在221张专家标记的培训图像及其基本真相上训练了修改后的U-Net模型 (CRV-NET).
• 在100张CT扫描图像上测试该模型,以评估COVID-19的细分精度.

主要成果:

• CRV-NET模型在细分COVID-19从肺部CT扫描中表现出令人满意的准确性.
• 在COVID-19检测中实现了96.67%的高精度.
• 在准确性和稳定性方面表现优于其他卷积神经网络 (CNN) 模型,包括标准的U-Net.

结论:

• CRV-NET提供了在肺部CT扫描中检测COVID-19的强大而准确的方法.
• 该模型的效率,以低时代值和小型训练数据大小来证明,表明它具有实际的临床实用性.
• 这种深度学习方法提高了使用医学成像技术对COVID-19的早期和可靠诊断的潜力.