肺部细分与轻量级卷积注意力残余U-Net
Meftahul Jannat1, Shaikh Afnan Birahim2, Mohammad Asif Hasan1
1Department of Electronics and Telecommunication Engineering, Rajshahi University of Engineering and Technology, Rajshahi 6204, Bangladesh.
Diagnostics (Basel, Switzerland)
|April 12, 2025
概括
这项研究引入了一个新的深度学习模型,用于胸部X射线中精确的肺部细分,帮助早期发现疾病. 轻量级残留U-Net实现了高精度,提高了放射科医生的诊断能力.
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:
- 胸部放射 (CXR) 分析复杂且耗时,通常需要识别多个异常.
- 精确的肺部细分对于提高CXR分析中的深度学习 (DL) 模型的效率和性能至关重要.
- 高风险肺部疾病的早期检测需要在CXR图像中精确识别肺部区域.
研究的目的:
- 在CXR图像中开发一种基于DL的方法,用于精确的肺口罩细分.
- 协助放射科医生早期识别高风险肺部疾病的迹象.
- 提出一种新,高效,准确的肺部细分模型.
主要方法:
- 提出了一种新的轻量级残余U-Net架构,集成卷积块注意模块 (CBAM) 和Atrous空间金字塔聚合 (ASPP).
- 该模型包含324万个参数,使用LeakyReLU激活进行训练,并使用Dice损失函数进行优化.
- 该技术利用DL和注意力机制来增强肺部细分.
主要成果:
- 拟议的模型在基准数据集上获得了高的子得分:98.72% (JSRT),97.49% (SZ) 和99.08% (MC).
- 性能在肺部细分精度方面超过了现有的最先进模型.
- 泄漏ReLU激活和子损失功能表现出卓越的有效性.
结论:
- 开发的DL模型显著提高了CXR图像中的肺部细分精度.
- 该模型的效率和精度有助于早期检测严重的肺部疾病.
- 这种方法代表了利用人工智能用于医学诊断的进步.


