DDA-SSNets:双解码器基于注意力的语义细分网络,用于使用胸部X射线图像进行COVID-19感染细分和分类
Anandbabu Gopatoti1, Ramya Jayakumar1, Poornaiah Billa2
1Department of Electronics and Communication Engineering, Hindusthan College of Engineering and Technology, Coimbatore, Tamil Nadu, India.
Journal of X-ray science and technology
|April 12, 2024
概括
深度学习模型使用胸部X射线准确检测和分级COVID-19肺部感染. 双解码器Attention-SegNet和GADCNet在细分和分类任务中表现出卓越的性能.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于疾病诊断和诊断
- 放射学和医学图像分析
背景情况:
- 准确的诊断和COVID-19的分期对于有效的治疗至关重要.
- 现有的COVID-19感染的诊断和分期方法需要改进.
- 需要先进的深度学习方法来帮助放射科医生识别和量化与COVID-19相关的肺部感染.
研究的目的:
- 开发和评估基于深度学习的模型,用于分类和量化COVID-19相关的肺部感染.
- 用胸部X射线 (CXR) 图像来提高COVID-19检测和严重程度分级的准确性.
- 引入新的深度学习架构,以在COVID-19的背景下增强医疗图像分析.
主要方法:
- 拟议的双解码器基于注意力的语义细分网络 (DDA-SSNets),包括DDA-UNet和DDA-SegNet,用于CXR中细分肺叶和感染.
- 利用细分输出来对肺叶中COVID-19感染的严重程度进行分级.
- 开发了一种基于遗传算法的深度卷积神经网络分类器 (GADCNet),用于在提取的感兴趣区域中分类COVID-19与非COVID-19.
主要成果:
- DDA-SegNet显示出优异的细分性能,平均BCSSDC得分为99.53% (肺叶) 和99.97% (感染).
- 联合的DDA-SegNet和GADCNet分类器实现了优异的分类准确性,平均BCCAC为99.98%.
- 对比分析显示,DDA-SegNet在细分方面表现优于DDA-UNet,而GADCNet与DDA-UNet一起实现了99.92%的BCCAC.
结论:
- 拟议的DDA-SegNet显著增强了CXRs中肺叶和COVID-19感染区域的细分.
- 与DDA-UNet.net相比,DDA-SegNet模型提供了更好的COVID-19肺部感染的严重程度分级.
- GADCNet分类器,特别是与DDA-SegNet相结合时,在对CXR进行COVID-19检测的分类方面表现出高度准确性.
