从计算机断层扫描图像中对间歇性肺部疾病的模式分类,使用基于ResNet的网络,采用分化-转换-合并策略和分化注意力

科学领域:

• 医学成像分析 医学成像分析
• 人工智能在医学中的应用
• 肺部医学 肺部医学

背景情况:

• 从计算机断层扫描 (CT) 中准确分类间歇性肺病 (ILD) 模式对于患者管理至关重要.
• 现有的深度学习模型经常忽视ILD模式的3D结构,并利用2D输入.
• 基于ResNet的高性能网络,如SE-ResNet和ResNeXt尚未广泛应用于ILD模式分类.

研究的目的:

• 提出和评估一种新的深度学习模型,SE-ResNeXt-SA-18,用于对ILDCT图像中的病态模式进行分类.
• 研究3D输入和先进网络架构对ILD分类准确性的影响.
• 将拟议模型的性能与现有的CNN和基线ResNet架构进行比较.

主要方法:

• 开发SE-ResNeXt-SA-18模型,集成ResNeXt的多路径设计和压缩激发网络,注意力分散.
• 使用3D卷积神经网络输入用于病理模式分类.
• 对SE-ResNeXt-SA-18与ResNet-18和SE-ResNeXt-18进行比较分析,评估输入补丁大小的影响.

主要成果:

• 该SE-ResNeXt-SA-18实现了卓越的分类性能,平均准确度,灵敏度和特异性分别为0.991,0.979和0.994,使用32×32×16输入补丁大小.
• 随着输入补丁大小的增加,分类准确性增加.
• 类激活地图表明,SE-ResNeXt-SA-18中的高重量区域与特定的病理模式特征相符.

结论:

• 与之前报道的CNN相比,SE-ResNeXt-SA-18在分类ILD模式方面表现出卓越的表现.
• 该模型利用3D信息和高级特征加权的能力提高了分类准确性.
• SE-ResNeXt-SA-18具有很大的潜力,可以准确地跟踪和监测间歇性肺病的进展.