高尔夫网络:全球和地方协会融合网络,用于COVID-19肺部感染细分的细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算病理学计算病理学

背景情况:

• 由于COVID-19的流行,需要超越分子测试的先进诊断工具.
• 在CT扫描中精确对肺部感染进行细分至关重要,但由于数据稀缺而具有挑战性.
• 深度学习模型在 COVID-19 CT 图像分析的有限数据集中扎.

研究的目的:

• 在CT扫描中开发一个准确的深度学习细分网络,用于COVID-19肺部感染.
• 为了克服有限的COVID-19CT数据所带来的挑战.
• 为了提高呼吸系统疾病的自动化医学图像分析的性能.

主要方法:

• 提出了一个新的全球和地方协会融合网络 (GOLF-Net).
• 集成卷积神经网络 (CNN) 用于全球特征,变压器用于本地特征.
• 利用注意力机制来增强特征相关性和表示.
• 实施转移学习用于预训练网络参数以解决数据限制.

主要成果:

• 与现有模型相比,GOLF-Net表现出优越的细分性能.
• 在受感染区域细分方面获得了95.09%的子系数.
• 在欧盟 (IoU) 上实现了92.58%的交叉点.

结论:

• 在CT扫描中,GOLF-Net有效地对COVID-19感染的肺部区域进行细分.
• 拟议的网络为医学成像中的有限数据场景提供了强大的解决方案.
• 这种方法增强了AI在诊断和监测传染性肺病方面的潜力.