MANet:用于肺结节检测和细分的多分支注意力辅助学习
Tan-Cong Nguyen1, Tien-Phat Nguyen2, Tri Cao3
1University of Science - VNUHCM, Ho Chi Minh City, Viet Nam; University of Social Sciences and Humanities - VNUHCM, Ho Chi Minh City, Viet Nam; Vietnam National University, Ho Chi Minh City, Viet Nam.
Computer methods and programs in biomedicine
|August 20, 2023
概括
本研究介绍了MANet,这是一个改进的深度学习模型,用于检测和细分胸部CT扫描中的肺结节. MANet增强了特征表示,显著提高了早期肺癌检测的准确性.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 肺结节的检测和细分对于通过胸部CT进行早期肺癌诊断至关重要.
- 由于类似的生物特征和各种尺寸,将结节从背景区分出来是具有挑战性的.
- 现有的方法在错误的阳性和精确的细分方面扎.
研究的目的:
- 提出一种用于肺结节检测和细分的自动方法,用于胸部CT.
- 增强肺结节的特征信息,以改善分析.
- 为了减少假阳性和提高细分精度.
主要方法:
- 开发了MANet,一个基于UNet的网络,具有多个分支的注意力辅助学习机制.
- 整合了新的投影,快速级联上下文和边界增强模块.
- 实施了提议改进步骤,以减少虚假阳性和提高细分质量.
主要成果:
- 在LUNA16和LIDC-IDRI基准指标上,MANet的性能优于最先进的方法.
- 在结节检测方面获得了88.11%的FROC得分.
- 在结节细分方面达到71.29%的IOU和82.74%的DSC得分.
- 废弃性研究证实了新型模块的有效性.
结论:
- 拟议的MANet具有多分支关注,证明了肺结节检测和细分的有希望的方法.
- 与原来的UNet设计相比,该方法提供了更好的性能.
- 新型模块可以集成到其他基于UNet的模型中.
