一个有效的深度神经网络用于肺病变细分从COVID-19CT图像
Cheng Chen1, Kangneng Zhou1, Muxi Zha1
1School of Computer and Communication EngineeringUniversity of Science and Technology Beijing Beijing 100083 China.
IEEE transactions on industrial informatics
|November 20, 2023
概括
在COVID-19计算机断层扫描 (CT) 图像中细分肺病变的新方法改善了诊断. 这种自动化方法提高了准确性,并显示了在管理COVID-19流行病中的临床使用潜力.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 肺部疾病诊断 肺部疾病诊断
背景情况:
- 在COVID-19计算机断层扫描 (CT) 图像中精确细分肺部病变对于定量诊断和治疗计划至关重要.
- 在COVID-19大流行期间,现有的方法在有效处理CT图像方面可能面临挑战.
研究的目的:
- 在COVID-19CT图像中引入一种新的,用于肺病变的自动细分方法.
- 提高COVID-19诊断和治疗的定量分析的准确性和效率.
主要方法:
- 使用补丁机制战略提取感兴趣的区域,以实现3D网络适用性和背景删除.
- 开发一个带有注意力模型的3D网络,以提取空间特征并增强目标区域.
- 实现了组合损失函数,以改善网络融合,梯度优化和训练方向.
- 应用数据增强和条件随机字段用于数据重新采样和二进制细分.
主要成果:
- 与细分任务中的现有方法相比,提出的方法显示出更高的性能.
- 对比实验验证实了新型细分技术的有效性和准确性.
结论:
- 开发的自动化细分方法为COVID-19诊断和治疗的临床应用提供了有前途的工具.
- 该方法的高性能表明它有可能通过定量CT分析来帮助放射科医生和临床医生管理COVID-19患者.
