通过离散波段和注意力门机制改善深度学习U-Net++以在胸部X射线成像中有效地进行病理性肺部细分
Faiçal Alaoui Abdalaoui Slimani1, M'hamed Bentourkia2
1Department of Nuclear Medicine and Radiobiology, 12th Avenue North, 3001, Sherbrooke, QC, J1H5N4, Canada.
Physical and engineering sciences in medicine
|November 4, 2024
概括
一种新的U-Net++-DWT模型通过将最大聚合用离散波波变换和整合注意力门来增强胸部X射线中的肺部细分. 这种深度学习方法可以实现肺部疾病诊断的高精度.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 自2015年以来,U-Net架构对于医学成像的深度学习至关重要.
- 由于解剖学变异和疾病引起的不透明性,胸部X射线中精确的肺部细分具有挑战性.
- 现有的U-Net模型在捕捉细肺结构方面存在局限性.
研究的目的:
- 引入一个改进的U-Net架构 (U-Net++-DWT),用于胸部X射线图像中精确的肺部细分.
- 为了提高下方采样过程和特征提取能力,以获得更好的诊断准确性.
- 根据已建立的细分技术对拟议的模型进行评估.
主要方法:
- 用离散波波变换 (DWT) 取代传统的最大集成,以改进下方采样.
- 集成的注意力门 (AG) 机制,专注于相关的图像区域.
- 在多个数据集上验证了U-Net++-DWT模型,包括JSRT,蒙哥马利县和COVID-19数据集.
主要成果:
- 在JSRT数据集上实现了99.1%的准确性,98.9%的特异性,97.8%的灵敏性,97.2%的子系数和96.3%的贾卡德指数.
- 在蒙哥马利县,胸部X射线口罩和标签以及COVID-19数据集中表现出一致的高性能.
- 这种U-Net++-DWT模型的性能优于现有的方法,如Atrous Convolutions,FCN,SegNet,U-Net和U-Net++.
结论:
- U-Net++-DWT模型为胸部X射线中的肺部细分提供了一种优越的方法.
- 集成DWT和AG机制显著提高了细分精度和细节捕获.
- 这种可适应的深度学习方法在推进医学成像诊断方面具有巨大的潜力.
