GIONet:全球信息优化网络,通过COVID-GAN和域对抗策略实现多中心COVID-19诊断
Jing Zhang1, Yiyao Liu2, Baiying Lei2
1Department of Radiology, The Fifth Affiliated Hospital of Zunyi Medical University, Zhuhai, 518000, China.
Computers in biology and medicine
|June 12, 2023
概括
一个新的AI模型从CT扫描中准确诊断COVID-19肺炎,优于现有方法. 这一进步对于区分COVID-19和社区获得性肺炎 (CAP) 以及处理各种数据源至关重要.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 放射学 放射学是一门学科.
背景情况:
- 使用CT扫描来区分COVID-19肺炎和社区获得性肺炎 (CAP) 具有挑战性,因为这些特征重叠.
- 现有的自动诊断方法在3类分类 (健康,CAP,COVID-19) 和多中心数据异质性方面扎.
研究的目的:
- 开发一种先进的AI模型,从CT扫描中准确地对COVID-19肺炎进行分类.
- 解决现有方法在处理不同医疗中心数据变化的局限性.
主要方法:
- 提出了一个全球信息优化网络 (GIONet),结合了3D CNN与图形增强的聚合和多尺度的自我注意力,以改进全球特征提取.
- 实施跨中心域对抗学习以减轻数据异质性,并使用生成对抗网络进行数据平衡.
主要成果:
- 在混合数据集上达到99.17%的高精度.
- 86.73%和89.61%的强烈的跨中心任务准确度,表明不同数据源的稳定性.
结论:
- 具有域对抗学习的GIONet模型有效地改善了从CT扫描中诊断COVID-19肺炎.
- 拟议的方法显示出在各种临床环境中可靠,自动化疾病分类的巨大潜力.


