MRL-Net:COVID-19肺部CT图像细分的多尺度表示学习网络

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 肺部CT图像中的COVID-19病变的准确细分对于患者查和诊断至关重要.
• 分段化的挑战包括模糊,不一致的损伤形状和位置.

研究的目的:

• 为改进COVID-19病变细分提出一个新的多规模表示学习网络 (MRL-Net).
• 通过整合卷积神经网络 (CNN) 和变压器架构来增强特征表示.

主要方法:

• MRL-Net使用双重多交互注意力 (DMA) 和双重边界注意力 (DBA) 集成CNN和变压器.
• DMA将多尺度的本地详细特征 (CNN) 与全球上下文信息 (变压器) 融合在一起.
• DBA专注于损伤边界特征,以改善代表性学习.

主要成果:

• 与当前最先进的方法相比,MRL-Net显示出更高的性能.
• 该网络实现了增强的COVID-19图像细分精度.

结论:

• MRL-Net有效地解决了在肺部CT图像中细分COVID-19病变的挑战.
• 提出的注意力机制显著改善了细分性能,有助于临床诊断.