Dmbg-Net:扩展多余边界指导网络用于COVID-19感染细分的细分
Zhenwu Xiang1, Qi Mao1, Jintao Wang1
1School of Electronic and Electrical Engineering, Shanghai University of Engineering Science, Shanghai 201620, China.
Mathematical biosciences and engineering : MBE
|December 5, 2023
概括
一个新的深度学习模型,Dmbg-Net,在CT扫描中准确地细分COVID-19肺部感染. 这种方法增强了边界检测和特征表示,以改善COVID-19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:
- 在CT图像中精确细分肺病变对于COVID-19检测至关重要.
- 挑战包括模糊的边界,低对比度和分散的感染区域.
研究的目的:
- 提出一个新的网络,Dmbg-Net,用于改善肺部CT图像中的COVID-19感染细分.
- 通过专注于语义关系和边界指导来解决细分挑战.
主要方法:
- 利用扩展的残余块和扩展的卷积来扩大受体场,并最大限度地减少特征损失.
- 整合了一个边缘注意力指导保护块,用于低级特征边界集成.
- 采用渐进的多层次监督,以加强表现和准确的突出地图.
主要成果:
- 在COVID-19数据集上获得了85.6%的子相似系数和84.2%的灵敏度.
- 废弃研究证实了Dmbg-Net架构的有效性.
- 证明了对其他类型的肺病变进行细分的潜力.
结论:
- 在肺部CT图像中,Dmbg-Net有效地对COVID-19感染进行细分.
- 该方法在病变检测和细分方面显示出临床应用的前景.
