DSFNet:双源和时空特征融合网络,用于用电阻断层扫描用电阻断层扫描对肺损伤的床边诊断
Zhiwei Li1, Yang Wu2, Kai Liu1
1College of Mechanical and Electrical Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 210000, China.
Medical image analysis
|February 22, 2026
概括
电阻断层扫描 (EIT) 提供实时肺部监测,但与数据挑战作斗争. 一个新的双源网络,DSFNet,有效地使用EIT数据对肺部疾病进行分类,在模拟和临床环境中实现高精度.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 电阻断层扫描 (EIT) 显示了非侵入性,实时肺部监测的潜力.
- EIT的局限性包括数据异质性和空间分辨率低,阻碍肺损伤诊断.
研究的目的:
- 开发一个新的深度学习网络,DSFNet,以使用EIT数据改进肺部疾病分类.
- 整合时空边界电压和通风图像,以提高诊断准确度.
主要方法:
- 拟议的DSFNet是一个双源的时空特征融合网络,具有时间动态建模 (TDM) 和多头自我注意 (MHSA) 模块.
- 构建了一个新的EIT模拟数据集,并采用了结合模拟和实验数据的混合学习策略.
- 使用SHAP分析来解释特征贡献.
主要成果:
- 通过混合数据策略进行训练时,DSFNet在动态幻影数据集上达到97.78%的准确性,在临床人类数据集上达到96.55%的准确性 (模拟数据 + 25%的实验数据).
- 该网络有效地对四种肺部疾病进行了分类:健康,肺胸,肺溢液和肺炎.
- SHAP分析证实了模型依赖相关输入特征.
结论:
- 通过使用多来源EIT数据,DSFNet展示了一种强大而准确的诊断肺部损伤的方法.
- 拟议的混合数据学习策略有效地解决了基于EIT的诊断中的小样本问题.
- 这项研究通过先进的EIT分析为床边肺损伤诊断提供了有希望的解决方案.
