ERGPNet:基于嵌入剩余卷积和全球感知的COVID-19胸部X射线图像的病变细分网络
Gongtao Yue1, Chen Yang1, Zhengyang Zhao2
1School of Computer Science, Xijing University, Xi'an, China.
Frontiers in physiology
|November 29, 2023
概括
一个新的ERGPNet在胸部X射线 (CXR) 上准确地对COVID-19肺部感染进行细分. 这种方法增强了特征提取和感知,提高了COVID-19患者的诊断准确度.
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:
- 胸部X射线 (CXR) 图像中COVID-19感染区域的准确细分对于患者的诊断和治疗至关重要.
- 挑战包括固有的图像模糊性和感染区域尺度的变化.
研究的目的:
- 提出ERGPNet,这是一个新的深度学习模型,用于在CXR图像中对COVID-19病变区域进行细分.
- 增强特征提取和全球感知,以提高细分精度.
主要方法:
- 开发了一种嵌入式剩余卷积结构,以改善内部特征提取.
- 构建了一个全球感知模块,以促进远距离信息流并减轻规模变化.
- 利用并行空间和串行通道注意模块来增强目标区域的灵敏度和抑制噪声.
主要成果:
- 拟议的ERGPNet在细分COVID-19感染地区方面表现出卓越的表现.
- 在三个COVID-19CXR数据集上的实验证实了该方法的有效性.
- 与现有的最先进的CXR细分方法相比,实现了更高的准确性.
结论:
- ERGPNet有效地解决了在CXR图像中对COVID-19病变进行细分的挑战.
- 该模型的架构改善了特征表示和决策,以实现准确的细分.
- 这种方法具有改善COVID-19诊断和患者管理的巨大潜力.
