CD-Net: 级联3D扩展卷积神经网络用于肺炎病变细分的细分神经网络

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:

• 在计算机断层扫描 (CT) 扫描中精确细分COVID-19病变对于患者监测至关重要.
• 在COVID-19诊断中的挑战包括有限的标记数据和3DCT扫描中的冗余参数.

研究的目的:

• 开发一种有效的模型,用于在CT扫描中对COVID-19病变进行细分.
• 解决现有方法中数据稀缺性和计算复杂性的局限性.

主要方法:

• 开发了一种新型的级联3D扩展卷积神经网络 (CD-Net),可以直接处理CT体积数据.
• 一个级联架构的设计是为了保存全球信息和减少内存消耗.
• 一个多尺度并行扩展卷积 (MPDC) 块被纳入聚合特征和减少参数.
• 使用转移学习来缓解标记数据的短缺.

主要成果:

• 与现有方法相比,CD-Net在细分COVID-19病变方面表现优异.
• 该模型在有限的标记数据下取得了更好的结果,表明了转移学习的有效性.
• 在细分任务中,CD-Net成功地降低了负-正比.

结论:

• 拟议的CD-Net为CT扫描中的COVID-19病变细分提供了有效的解决方案.
• CD-Net的架构解决了与数据稀缺性和计算效率相关的挑战.
• 该模型显示了改善COVID-19病例查和监测的巨大潜力.