肺部图像细分使用改进的U-Net,V-Net和Seg-Net技术
Fuat Turk1, Mahmut Kılıçaslan2
1Department of Computer Engineering, Kirikkale University, Kırıkkale, Turkey.
PeerJ. Computer science
|March 10, 2025
概括
深度学习模型U-Net和V-Net显著提高了胸部X射线中的结核细分精度. 这些先进的方法提供了更精确的肺部区域识别,以更好地诊断疾病.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 结核病 (TB) 是一个主要的全球健康问题,需要准确的诊断工具.
- 使用机器学习的图像分析正在成为结核病检测的关键方法.
- 肺部区域的准确细分对于诊断肺结核等呼吸道疾病至关重要.
研究的目的:
- 开发和评估深度学习模型,以在医学图像中增强结核病细分.
- 通过先进的图像分析技术,提高结核病检测的准确性和可靠性.
主要方法:
- 提出了三个细分模型:U-Net,V-Net和Seg-Net架构. 提出了三个细分模型:U-Net,V-Net和Seg-Net架构.
- 利用深和蒙哥马利胸部X射线数据库进行培训和验证.
- 集成了先进的预处理,注意力机制和非本地块,以提高细分性能.
主要成果:
- 在U-Net和V-Net模型中,子系数得分高 (分别为96.43%和96.42%).
- 提出的深度学习模型在细分精度方面表现优于传统方法.
- 在基准数据集上展示了强大的性能和可靠的肺部区域细分.
结论:
- 与Seg-Net和传统方法相比,开发的U-Net和V-Net模型在结核病细分方面表现出更高的有效性.
- 使用这些人工智能模型进行精确的肺部细分对于精确诊断结核病和其他呼吸系统疾病至关重要.
- 这些发现突显了深度学习在推进疾病检测医学图像分析方面的潜力.
