胸部CT图像中的自动语义肺部细分使用深度神经网络
M Murugappan1,2,3, Ali K Bourisly4, N B Prakash5
1Intelligent Signal Processing (ISP) Research Lab, Department of Electronics and Communication Engineering, Kuwait College of Science and Technology, Block 4, Doha, Kuwait.
Neural computing & applications
|June 5, 2023
概括
这项研究开发了一个强大的深度学习模型,用于COVID-19患者的肺部细分,使用胸部CT扫描. 与ResNet-18和ResNet-50一起的DeepLabV3+网络分别实现了两类和四类细分的卓越性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 肺部细分对于分析CT图像中的肺部感染至关重要.
- 深度学习模型为自动化和准确的肺部细分提供了潜力.
- 通过精确细分肺部异常,可以帮助COVID-19诊断.
研究的目的:
- 为COVID-19患者的肺部细分开发一个计算高效和强大的深度学习模型.
- 评估DeepLabV3+网络的性能,使用各种预训练模型来对肺部进行二类和四类细分.
- 提出一个统一的模型,用于CT图像中自动划分肺部区域.
主要方法:
- 使用DeepLabV3+网络架构与五个预训练的网络 (Xception,ResNet-18,Inception-ResNet-v2,MobileNet-v2,ResNet-50) 进行了使用.
- 在公开可用的750张COVID-19胸部CT图像与像素级注释的数据集上训练模型.
- 使用联盟交叉点 (IoU),加权IoU,平衡F1得分,像素精度和总精度评估细分性能.
主要成果:
- DeepLabV3+与ResNet-18一起实现了两类细分 (背景和肺领域) 的更高性能,批量大小为8.
- 使用ResNet-50的DeepLabV3+在16个批量大小的四个类别细分 (包括地面玻璃不透明度和整合) 中表现出优异的结果.
- 与Xception相比,基于ResNet的模型提供了更好的性能和计算复杂性的平衡.
结论:
- 开发的DeepLabV3+模型提供了一种有效的自动化解决方案,用于在COVID-19CT图像中对肺部区域进行细分.
- 该模型的效率和准确性支持其在COVID-19临床诊断系统中的潜在用途.
- 这种自动化细分可以帮助临床医生为COVID-19诊断提供准确的第二意见.
