科维斯温:深度视觉变压器用于COVID-19CT扫描的自动细分
Alhanouf Alsenan1, Belgacem Ben Youssef1, Haikel S Alhichri2
1Department of Computer Engineering, King Saud University, P.O. Box 51178, Riyadh 11543, Saudi Arabia.
Bioengineering (Basel, Switzerland)
|November 27, 2025
概括
新型变压器网络CoviSwin精确地在CT扫描中对COVID-19病变进行细分. 这种先进的模型改进了现有的方法,用于准确识别患者的肺病变.
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CT扫描中的COVID-19病变的准确细分对于患者的护理至关重要.
- 现有的细分方法面临的挑战是由于异质的病变外观和有限的标记数据.
研究的目的:
- 推出CoviSwin,一个基于变压器的U形网络,用于在CT扫描中增强COVID-19病变细分.
- 解决当前处理各种损伤外观和数据稀缺现有方法的局限性.
主要方法:
- 开发了CoviSwin,一个U形的编码器解码器网络,集成Swin Transformer V2,注意力和剩余连接.
- 使用SemiSeg和MedSeg数据集采用两阶段培训策略.
- 该网络捕捉了全球背景和细粒度的细节,以实现精确的细分.
主要成果:
- 科维斯温的平均灵敏度为0.790±0.012,子相似系数 (DSC) 为0.781±0.0068.
- 该模型显示的特异性为0.962 ± 0.0049.
- 在灵敏度方面,其表现优于近期的NextSeg和GFNet等模型,分别为8.07%和7.48%.
结论:
- 科维斯温显示出作为临床COVID-19病变细分的有效工具的巨大潜力.
- 该模型的架构和培训策略有助于其卓越的性能.
- 突出了人工智能驱动的传染病医学图像分析的进步.


