提高COVID-19CT图像细分:在UNet模型中对注意力和复发的比较研究
Rossana Buongiorno1, Giulio Del Corso1, Danila Germanese1
1Institute of Information Science and Technologies, National Research Council of Italy (ISTI-CNR), 56124 Pisa, PI, Italy.
Journal of imaging
|December 22, 2023
概括
这项研究比较了四种人工智能模型,用于CT扫描上对COVID-19肺部感染进行细分. 关注-UNet取得了最高的表现,证明了其在疾病分层方面的有效性.
科学领域:
- 医疗成像中的人工智能
- 放射学和医学诊断 医学诊断
- 肺部疾病分析分析
背景情况:
- 高分辨率计算机断层扫描 (HRCT) 对COVID-19管理至关重要,有助于疾病分层和预后.
- 对于放射科医生来说,手动视觉评估HRCT扫描COVID-19异常是耗时的.
- 由人工智能驱动的半自动细分工具可以提高检测肺病变的效率和准确性.
研究的目的:
- 为了比较四个最先进的卷积神经网络 (CNN) 在HRCT扫描中对COVID-19感染的二进制细分的性能.
- 评估将注意力机制和复发范式纳入UNet架构的有效性.
- 了解数据要求,计算资源和COVID-19病变细分模型性能之间的权衡.
主要方法:
- 训练并测试了四种编码解码CNN模型:UNet,注意-UNet,R2-UNet和R2-Attention UNet.
- 利用了COVID-19患者的90个HRCT体积扫描,采用了五倍交叉验证策略.
- 评估模型性能使用子得分,精度和回忆,在2D图像和3D卷上进行评估.
主要成果:
- 注意-UNet表现出卓越的性能,在测试组中获得了最高的2D Dice 81.93%的得分.
- 统计分析证实了评估模型之间的显著性能差异.
- 整合复发机制 (R2-UNet变体) 没有改善,并可能降低这个特定应用的模型有效性.
结论:
- 注意-UNet是一个高效的模型,用于在HRCT扫描上半自动细分COVID-19肺部感染.
- 这项研究强调了注意力机制在增强医疗图像分析CNN性能方面的好处.
- 对于这种特定的COVID-19细分任务,复发机制可能不是最佳的,这表明需要谨慎的架构选择.
