通过两种创新的基于人工智能的变压器模型,在肺部CT扫描中识别COVID-19感染的部分
Zeinab Momeni Pour1, Ali Asghar Beheshti Shirazi1
1Department of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran.
Archives of academic emergency medicine
|February 17, 2025
概括
这项研究引入了两个新的人工智能 (AI) 模型,SE-UNETR和SE-HQRSTNet,用于在肺部CT扫描中更好地识别COVID-19感染区域. 开发的AI模型显示了比现有方法更好的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 人工智能 (AI) 算法已经显著提升了医疗诊断.
- 在肺部CT扫描中准确识别COVID-19感染区域对于患者管理至关重要.
- 医疗图像分析现有的AI模型需要进一步提高性能和效率.
研究的目的:
- 引入两个新的AI模型,SE-UNETR和SE-HQRSTNet,用于肺部CT扫描中COVID-19感染区域的细分.
- 通过使用已建立的数据集,对这些模型的性能与现有方法进行评估.
- 证明拟议的人工智能驱动方法的卓越效率和准确性.
主要方法:
- 开发了两个3D细分网络:SE-UNETR (挤压和刺激UNet变压器) 和SE-HQRSTNet (挤压和刺激高质量分辨率旋转变压器网络).
- SE-UNETR使用3D UNet架构与视觉变压器 (ViT) 编码器进行序列体积数据表示.
- SE-HQRSTNet将高分辨率网络 (HRNet),Swin变压器模块以及挤压和刺激 (SE) 块与多分辨率特征融合 (MRFF) 集成在一起.
- 在COVID-19-CT-Seg和MosMed数据集上使用5倍交叉验证和数据增强的评估模型.
主要成果:
- 与之前的工作相比,SE-UNETR和SE-HQRSTNet模型在COVID-19-CT-Seg数据集上分别提高了3.81%和4.84%的感染口罩的Dice值.
- 在MosMed数据集上,Dice值从66.8%增加到69.35% (SE-UNETR) 和70.89% (SE-HQRSTNet).
- 这些结果表明,在识别COVID-19受影响地区方面取得了显著的绩效增长.
结论:
- 拟议的SE-UNETR和SE-HQRSTNet模型在肺部CT扫描中对COVID-19感染区域进行细分方面表现出卓越的性能和效率.
- 这些人工智能模型在COVID-19检测的背景下,对医疗图像分析的现有方法有显著的进步.
- 开发的网络提供了一个有前途的工具,通过自动化CT扫描分析来提高COVID-19诊断的准确性和速度.
