使用新增的CNN和放射图像的COVID-19感染分析框架
Saddam Hussain Khan1, Tahani Jaser Alahmadi2, Tariq Alsahfi3
1Department of Computer Systems Engineering, University of Engineering and Applied Science, Swat, 19060, Pakistan.
Scientific reports
|December 9, 2023
概括
使用卷积神经网络 (CNN) 的新两阶段框架有助于从CT扫描中诊断COVID-19. 该系统结合了STM (分裂转换合并) 和特征地图丰富 (FME) 技术,显著提高了检测准确性.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 由于有限的数据和图像复杂性,COVID-19诊断存在挑战.
- 准确识别COVID-19肺炎对于疾病缓解至关重要.
- 现有的诊断系统与微妙的图像变化和扭曲作斗争.
研究的目的:
- 开发一种高效的,双相诊断框架,用于使用CT扫描检测COVID-19.
- 解决当前诊断系统的局限性,包括数据稀缺性和图像变异性.
- 为了提高放射性图像中COVID-19识别的准确性和可靠性.
主要方法:
- 一个新的卷积神经网络 (CNN) 框架,结合了STM-BRNet和SA-CB-BRSeg模型.
- 第一个阶段:STM-BRNet与STM块和特征地图丰富 (FME) 进行特征提取.
- 第二阶段:SA-CB-BRSeg CNN用于准确细分COVID-19感染地区,利用流和异质的流程.
主要成果:
- 拟议的框架实现了高性能指标:98.01%的准确性,98.12%的回忆,98.11%的F-score.
- 在细分COVID-19模式,包括纹理和边界变异方面表现出显著改善.
- 这些模型有效地处理了低对比度区域和CT图像中的微小变化.
结论:
- 开发的两阶段框架为CT扫描的COVID-19诊断提供了一个强大的解决方案.
- 这种人工智能驱动的方法可以减轻放射科医生的工作量,并改善决策.
- 该系统显示了评估疾病严重程度和帮助抗击流行病的潜力.
