MS-DCANet:一个多模式的新型细分网络 COVID-19 医疗图像
Xiaoyu Pan1, Huazheng Zhu2, Jinglong Du1
1College of Medical Informatics, Chongqing Medical University, Chongqing, People's Republic of China.
Journal of multidisciplinary healthcare
|July 25, 2023
概括
本研究介绍了MS-DCANet,这是一个高效的AI模型,用于在医学图像中对COVID-19肺部感染进行细分. 该网络平衡了准确性和复杂性,帮助临床医生进行自动诊断.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 由于界限模糊和对比度低,COVID-19大流行在医学图像分析中提出了挑战.
- 现有的细分方法往往增加了复杂性,阻碍了临床应用.
- 需要模型来平衡准确性,计算复杂性和推断速度.
研究的目的:
- 提出MS-DCANet,一个对称的COVID-19医疗图像自动细分框架.
- 开发一个模型,有效地捕捉病变的复杂性,背景关系和全球背景.
- 为实现临床翻译的细分精度和计算效率之间的平衡.
主要方法:
- 引入了一种新的标记化MLP块,具有转移窗口机制,用于融合本地和全球特征.
- 使用双通道块和Res-ASPP块来增强小目标识别.
- 开发了一个对称的网络架构,以改善边界连续性和空间理解.
主要成果:
- 在多模式COVID-19数据集上,MS-DCANet实现了最先进的性能.
- 该模型在ISIC 2018和BAA数据集上展示了强大的概括能力.
- 获得高的MIOU分数 (例如,COVID-19X射线上的73.86%,COVID-19CT上的97.26%).
结论:
- MS-DCANet为自动化COVID-19医疗图像细分提供了一个有效的解决方案.
- 该模型成功地平衡了准确性和计算复杂性,促进了临床部署.
- 有潜力帮助临床医生自动诊断COVID-19患者的不同症状.
