图形卷积和自我注意力 增强CNN与多站点COVID-19诊断的域调整

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机科学 计算机科学

背景情况:

• 使用CT扫描将COVID-19与社区获得的肺炎 (CP) 区分开来是具有挑战性的,因为细微的差异.
• 现有的诊断模型在多类分类 (健康,CP,COVID-19) 和多中心数据优化方面扎.
• 鉴于疾病的快速进展,准确和自动化的COVID-19诊断至关重要.

研究的目的:

• 开发一个COVID-19的自动诊断模型.
• 用CT成像提高区分COVID-19与CP和健康对照的准确性.
• 通过解决数据变异性,实现有效的多中心COVID-19诊断.

主要方法:

• 一个新的3D卷积神经网络 (CNN) 结合了图形卷积模块,旨在增强全球特征提取.
• 采用域自适应特征对齐方法,以最大限度地减少不同数据中心的特征差异.
• 该模型在多类分类任务上进行了训练和评估,包括健康对照组,社区获得的肺炎和COVID-19患者.

主要成果:

• 拟议的模型在混合数据集上实现了98.05%的高精度.
• 在独立评估中,跨中心诊断准确率达到85.29%和87.53%.
• 图形增强的3D CNN在特征提取和域调整方面表现出卓越的性能.

结论:

• 开发的AI模型显示出从CT扫描中准确和自动化COVID-19诊断的重大前景.
• 该方法有效地解决了多中心数据变化的挑战,使得强大的跨中心诊断成为可能.
• 这种方法为改善不同临床环境中的诊断能力提供了潜在的解决方案.