CovSegNet:一个多编码器-解码器架构,用于改善COVID-19胸部CT扫描的损伤细分
Tanvir Mahmud1, Md Awsafur Rahman1, Shaikh Anowarul Fattah1
1Department of Electrical and Electronic EngineeringBangladesh University of Engineering and Technology Dhaka 1000 Bangladesh.
IEEE transactions on artificial intelligence
|November 20, 2023
概括
本研究介绍了CovSegNet,这是一个高效的神经网络,用于CT扫描中自动化COVID-19病变细分. 它提高了准确性和速度,帮助更快的诊断和减少病毒的影响.
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:
- 准确的COVID-19诊断和严重程度评估依赖于CT扫描的肺损伤细分.
- 传统的细分方法与复杂的损伤特征和3D数据的计算需求作斗争.
- 限制包括信息丢失,消失梯度和U-Net架构中的语义差距增加.
研究的目的:
- 提出一个自动化的COVID-19病变细分方案,使用一个高效的神经网络,CovSegNet.
- 在准确性和计算复杂性方面克服传统细分方法的局限性.
- 通过改进病变提取来提高COVID-19的诊断速度和准确性.
主要方法:
- 开发了CovSegNet,一种具有横向和垂直扩展的新型神经网络架构.
- 实施了使用2D和3D网络进行增强特征提取的两阶段培训策略.
- 集成的多尺度特征地图和具有金字塔融合的多尺度融合模块,以保护上下文信息.
主要成果:
- 在三个公共数据集上,CovSegNet取得了卓越的表现,超过了最先进的方法.
- 与现有方法相比,显示出显著的性能改善 (平均子测量8.4%).
- 拟议的方案有效地细分了具有扩散和模糊边缘的挑战性COVID-19病变.
结论:
- CovSegNet提供了一种高效准确的解决方案,用于自动化从CT扫描中对COVID-19病变进行细分.
- 两阶段的培训和新的架构解决了传统方法的局限性,提高了诊断能力.
- 这种方法可以扩展到各种医学成像细分任务,帮助更快的诊断和疾病管理.
