小说深度CNN探索区域,边界和残留学习COVID-19感染分析在肺部CTCT
1Software Engineering Department, College of Computing and Information Sciences, King Saud University, Riyadh 11671, Saudi Arabia.
概括
这项研究提出了一种新的两阶段CNN方法来分析COVID-19肺部CT扫描. 该方法准确地分类和细分COVID-19肺病变,有助于及时诊断和制.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 通过肺部CT扫描进行准确的COVID-19诊断对全球健康至关重要.
- 挑战包括CT图像中的对比差异和各种纹理.
- 现有的方法难以准确地划分受影响的肺部区域.
研究的目的:
- 开发一种新的两阶段卷积神经网络 (CNN) 用于COVID-19肺部放射学模式分析.
- 为了提高CT扫描中COVID-19病变的分类和细分的准确性.
- 为了应对图像变化和微妙的感染指标带来的挑战.
主要方法:
- 引入了两阶段的CNN方法:用于分类的剩余-BRNet和用于细分的RESeg.
- 剩余-BRNet将边界和区域操作与剩余学习相结合.
- RESeg使用平均和最大集成与新的像素注意力 (PA) 块来增强细分.
主要成果:
- 剩余-BRNet实现了97.97%的准确性,98.01%的F1分数,98.42%的灵敏度和96.81%的MCC.
- 在病变细分方面,PA-RESeg实现了98.43%的IOU和95.96%的Dice相似性.
- 该框架在检测和细分COVID-19病变方面表现出高效.
结论:
- 拟议的两阶段CNN框架为肺部CT扫描提供了COVID-19诊断的有希望的解决方案.
- 该方法有效处理图像复杂性,并准确识别受感染地区.
- 这种方法在管理COVID-19大流行中具有临床应用的巨大潜力.


