联网对COVID-19CT图像的细分网络,具有多尺度的注意力
Mingju Chen1,2, Sihang Yi1,2, Mei Yang3
1School of Automation and Information Engineering, Sichuan University of Science & Engineering, Yibin 644002, China.
Mathematical biosciences and engineering : MBE
|November 3, 2023
概括
这项研究引入了一种改进的UNet模型,用于在CT扫描中对COVID-19肺病变进行细分. 改进后的模型实现了更高的准确性和更好的概括性,有助于医学诊断.
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:
- 随着COVID-19的流行,公众健康面临重大挑战,需要有效的诊断工具.
- 在CT图像中精确细分COVID-19病变对于及时的医学诊断和治疗至关重要.
- 现有的深度学习模型在准确性,概括性和用于COVID-19病变细分的部署方面存在局限性.
研究的目的:
- 开发先进的UNet细分网络,以改善CT图像中的COVID-19病变识别.
- 在准确性,概括性和计算效率方面解决当前深度学习模型的局限性.
- 通过更精确的医学图像分析,提高医生的诊断能力.
主要方法:
- 使用了UNet架构作为基础细分模型.
- 在编码器中集成了一个多尺度的卷积注意力机制,以捕捉各种特征尺度.
- 整合了本地频道注意模块来提取空间信息和完善特征表示.
- 在编码器中使用Meta-ACON激活功能,以减轻过度拟合和提高模型性能.
主要成果:
- 与主流算法相比,拟议的模型在细分COVID-19病变方面表现出卓越的性能.
- 在不同数据集的细分精度和模型概括方面取得了显著的改进.
- 多尺度注意力和局部通道注意力模块有效地增强了特征提取能力.
- 该Meta-ACON激活功能有助于提高模型的稳定性和表示能力.
结论:
- 拟议的UNet模型具有多尺度的注意力,为CT图像中的COVID-19病变细分提供了更有效的解决方案.
- 增强模型为医疗专业人员在诊断和分析COVID-19病例方面提供了宝贵的帮助.
- 这种方法有望提高AI驱动的医疗图像分析在流行病情景中的效率和准确性.
