基于深度学习的技术,用于CT扫描图像中的病变细分,用于COVID-19预测
Mouna Afif1, Riadh Ayachi1, Yahia Said2
1Laboratory of Electronics and Microelectronics (EμE), Faculty of Sciences of Monastir, University of Monastir, Monastir, Tunisia.
概括
一个新的深度学习系统在CT扫描中准确地细分COVID-19相关的肺部不透明度. 这种先进的工具有助于诊断COVID-19和肺炎,达到96.23%以上的准确性.
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:
- 自2019年以来,COVID-19引发了全球卫生危机,使全球的医疗保健系统受到压迫.
- 准确诊断COVID-19对于有效的患者管理和流行病控制至关重要.
- 胸部CT成像对于识别COVID-19相关的肺部异常,如地玻璃不透明和巩固至关重要.
研究的目的:
- 开发一种新的深度学习应用程序,用于CT图像中的自动化COVID-19细分和分析.
- 通过准确识别关键病理区域,提高COVID-19的诊断能力.
- 为区分COVID-19相关的肺病变与其他肺炎提供一个强大的工具.
主要方法:
- 开发了一个基于上下文聚合神经网络的深度学习系统.
- 该网络包含三个模块:上下文保险丝模型 (CFM),注意力混合模块 (AMM) 和剩余卷积模块 (RCM).
- 实验使用COVID-x-CT数据集进行,用于培训和验证.
主要成果:
- 开发的系统准确地检测到CT图像中的地面玻璃不透明度和整合区域.
- 与现有的最先进的方法相比,该系统表现出卓越的性能.
- 在COVID-19细分和分析中实现了超过96.23%的准确性.
结论:
- 拟议的深度学习系统为CT扫描中的COVID-19分析提供了一种高度有效和准确的方法.
- 语境聚合神经网络架构在识别关键肺病变方面取得了成功.
- 这项工作为改善COVID-19诊断和患者护理提供了有价值的工具.


