基于CT图像语义的COVID-19实例分割与分类网络
TP391; 为了辅助临床医生进行COVID-19 患者的诊断及治疗,提出了一个从患者肺部CT 图像中分类、检测和分割COVID-19 病变的辅助诊断网络AIS-Net.首先,该网络将语义分割与实例分割融合,提升了实例分割精度,提出了信息增强注意力模块(IEAM),用于提升输入特征关键信息的权重.为了提高网络对假阴性的关注度,提出了一个实例分割监督方法,用于不同尺度的病变进行监控.其次,设计了一个包含主分类头与辅助分类头的模块,对新冠肺炎、普通肺炎和非肺炎进行分类.在辅助分类中引入了Swin Transformer,提出了区分普通肺炎与新冠肺炎病变的方法.在CC-CCII 分割数据集上实例分割...
Saved in:
Published in | 计算机科学 Vol. 50; no. z1; pp. 378 - 386 |
---|---|
Main Authors | , , , |
Format | Journal Article |
Language | Chinese |
Published |
云南大学信息学院 昆明650502
2023
|
Subjects | |
Online Access | Get full text |
Cover
Loading…
Summary: | TP391; 为了辅助临床医生进行COVID-19 患者的诊断及治疗,提出了一个从患者肺部CT 图像中分类、检测和分割COVID-19 病变的辅助诊断网络AIS-Net.首先,该网络将语义分割与实例分割融合,提升了实例分割精度,提出了信息增强注意力模块(IEAM),用于提升输入特征关键信息的权重.为了提高网络对假阴性的关注度,提出了一个实例分割监督方法,用于不同尺度的病变进行监控.其次,设计了一个包含主分类头与辅助分类头的模块,对新冠肺炎、普通肺炎和非肺炎进行分类.在辅助分类中引入了Swin Transformer,提出了区分普通肺炎与新冠肺炎病变的方法.在CC-CCII 分割数据集上实例分割的平均精度均值(mAP)为56.53%,比目前最好的方法提升了11.77%;Dice 系数、灵敏度、特异度分别为80%,85.1%,99.3%,比目前最好的方法分别提升了4.7%,3.7%,1.2%.在COVIDX-CT 分类数据集上实现了99.07%的总体准确度,比目前最好的方法提升了0.92%.AIS-Net 可通过CT 图像对COVID-19 患者进行有效诊断,并对病变部位进行分割及检测. |
---|---|
ISSN: | 1002-137X |
DOI: | 10.11896/jsjkx.220600142 |