GIFNet:一个有效的全球感染功能网络,用于自动COVID-19肺病变细分
1Computer Science and Engineering Department, National Institute of Technology Patna, Ashok Rajpath, Patna, Bihar, 800005, India. anitamurmu.cs@gmail.com.
Medical & biological engineering & computing
|February 3, 2024
概括
一个新的基于全球感染特征网络 (GIFNet) 的Unet模型在X射线和CT扫描中准确地细分了COVID-19肺部感染. 这种人工智能方法通过改善受感染的肺部细分来增强诊断和治疗,优于现有方法.
科学领域:
- 医学成像分析 医学成像分析
- 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COVID-19的流行,需要准确的方法来评估肺部感染.
- 从医学图像 (X射线,CT) 中自动细分感染的肺部区域对于定量诊断和治疗至关重要.
- 挑战包括各种感染特征和感染和正常肺组织之间的差异.
研究的目的:
- 提出基于全球感染特征网络 (GIFNet) 的新型Unet与ResNet50网络,以准确对COVID-19肺部感染进行细分.
- 增强特征提取和选择,以提高细分性能.
- 为了验证该模型在各种COVID-19成像数据集上的有效性.
主要方法:
- 使用Unet架构与ResNet50进行高效的特征提取和兴趣区域选择.
- 集成了一种空心空间金字塔聚合 (ASPP) 机制,配有一个聚合层,用于强大的特征选择和规模变化处理.
- 采用了部分微分方程 (PDE) 方法来提高图像质量和边缘强度.
主要成果:
- 拟议的基于GIFNet的Unet模型在SARS-CoV-2 CT和COVIDx-19数据集上在感染肺部细分 (ILS) 中表现出卓越的性能.
- 实现了高精度 (ACC),曲线下的面积 (AUC),回忆 (REC),特异性 (SPE) 和子相似系数 (DSC).
- 在实验验证中表现优于现有的最先进的细分模型 (SOTA).
结论:
- 基于GIFNet的Unet模型提供了一个强大而准确的解决方案,用于从X射线和CT图像中对COVID-19肺部感染进行细分.
- 该模型能够处理尺度变化并提高图像质量,这有助于其卓越的性能.
- 这种方法在改善COVID-19管理中的定量分析和临床决策方面具有重大潜力.
