DECE-Net:一个带有轮增强的双路径编码器网络,用于肺炎病变细分的细分
Tianyang Wang1, Xiumei Li1, Ruyu Liu1
1Hangzhou Normal University, School of Information Science and Technology, Hangzhou, China.
Journal of medical imaging (Bellingham, Wash.)
|May 26, 2025
概括
一个新的深度学习模型,DECE-Net,在CT扫描中准确地细分肺炎病变,克服了低对比度和可变形状等挑战. 这一进步有助于早期检测和治疗,从而改善患者的治疗结果.
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:
- 由于CT图像中细分病变的困难,早期肺炎的检测具有挑战性.
- 低对比度,以及病变大小和形状的变化阻碍了准确的细分,往往导致错过的治疗窗口.
研究的目的:
- 提出DECE-Net,一个自动化细分网络,用于在CT图像中精确识别肺炎病变.
- 解决现有的方法在细分肺炎病变与低对比度和多样性特征的局限性.
主要方法:
- DECE-Net 增强了 U-Net 架构,提供了一个额外的编码器路径来提取轮特征.
- 它使用注意力多级特征融合和特征融合注意力连接模块来整合多级特征.
- 多点深度监控在不同的尺度上应用,以改进细分精度.
主要成果:
- 在四个公开的COVID-19数据集上,DECE-Net获得了高平均交叉比欧盟 (mIoU) 评分:80.76%,84.59%,84.41%和78.55%.
- 该模型在细分小肺炎病变区域方面展示了最先进的性能.
结论:
- 拟议的DECE-Net有效地克服了用于肺炎检测CT图像的细分挑战.
- 该网络对改善肺炎的早期诊断和治疗,特别是微妙病变的早期诊断和治疗有显著的希望.
