编码器-解码器卷积神经网络用于简单的CT细分COVID-19感染肺部

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肺部病理学 肺部病理学

背景情况:

• 在CT扫描中手动对COVID-19感染区域进行细分是耗时且资源密集的.
• 现有的细分深度学习模型通常涉及复杂的架构和广泛的培训要求.
• 需要为临床应用提供可访问和高效的自动化细分工具.

研究的目的:

• 开发和评估一种简单,可重复的编码解码卷积神经网络 (ED-CNN) 模型,用于COVID-19CT数据的自动细分.
• 将拟议ED-CNN模型的性能与现有的更复杂的深度学习方法进行比较.
• 为了证明在临床工作流程中自动细分的实用性,以更快地评估肺部感染.

主要方法:

• 一个紧的编码器-解码器卷积神经网络 (ED-CNN) 模型的应用.
• 关于COVID-19计算机断层扫描 (CT) 数据集的培训和验证.
• 使用特异性,准确性和平均绝对误差等指标评估细分性能.

主要成果:

• 该ED-CNN模型实现了高分段精度,其特异性 (Sp) = 0.996 ± 0.001,精度 (Acc) = 0.994 ± 0.002,平均绝对误差 (MAE) = 0.0075 ± 0.0005.
• 拟议的模型使用的参数数量显著减少 (约. 49k) 与其他复杂的深度学习网络相比.
• 自动细分成功地在胸部CT扫描中划分了感染区域,与更复杂的模型的结果相比.

结论:

• 开发的ED-CNN模型提供了高质量的自动化解决方案,用于对COVID-19CT扫描进行细分.
• 它的简单性,效率和低参数数量使其可用于现实世界的应用程序和个性化医疗工作流程.
• 自动化细分可以显著加快诊断和治疗规划过程,节省宝贵的时间和资源.