CDSE-UNet:通过边检测和双路径SENet功能融合来增强COVID-19CT图像细分
Jiao Ding1, Jie Chang2, Renrui Han3
1School of Electrical and Electronic Engineering, Anhui Institute of Information Technology, Wuhu, China.
International journal of biomedical imaging
|March 24, 2025
概括
一个新的CDSE-UNet模型通过整合边缘检测和特征融合,准确地细分COVID-19CT扫描. 这有助于改善病变的识别,有助于降低疾病的严重程度和死亡率.
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:
- 准确细分COVID-19CT图像对于患者的治疗结果至关重要.
- 在COVID-19CT扫描中,损伤区域往往表现出模糊的边界和高度的可变性,这给细分带来了挑战.
研究的目的:
- 引入CDSE-UNet,这是一个新的细分模型,旨在克服COVID-19CT图像中的细分困难.
- 为了提高COVID-19病变检测和细分精度.
主要方法:
- 开发了CDSE-UNet,这是一个基于UNet的模型,包含了Canny边缘检测和双路径SENet特征融合块 (DSBlock).
- 集成了一个多尺度卷积块 (MSCovBlock),以适应各种损伤大小和形状.
- 对公共COVID-19CT图像数据集的评估性能.
主要成果:
- CDSE-UNet实现了高性能指标:0.9929准确度,0.9604回忆,0.9063子相似系数 (DSC) 和0.8286交集在联盟 (IoU) 上.
- 该模型的性能优于现有的领先细分模型,包括UNet,Attention-UNet,Trans-Unet,Swin-Unet和Dense-UNet.
- CDSE-UNet在分类损伤边缘像素和改善通道差异化方面表现出卓越的能力.
结论:
- CDSE-UNet在COVID-19CT图像的自动细分方面取得了重大进展.
- 该模型的架构有效地解决了模糊边界和损伤变异性带来的挑战.
- 改进的细分精度有可能改善COVID-19患者的临床管理和降低死亡率.
