基于新型增强 CNN 与放射学图像的 COVID-19 感染分析框架
摘要
COVID-19 是一种于 2019 年底首次出现在人群中的新病原体，感染后可导致新型肺炎变异株。COVID-19 是一种迅速传播的传染病，感染人类的速度极快。因此，高效的诊断系统可以准确识别受感染患者，从而有助于控制其传播。在这方面，我们开发了一个新的两阶段分析框架，用于分析 COVID-19 感染的微小异常。我们开发了一种新型检测卷积神经网络（CNN），STM-BRNet，它结合了 Split-Transform-Merge（STM）模块和通道增强（CB），以在第一阶段识别 COVID-19 感染的 CT 切片。每个 STM 模块提取用于 COVID-19 感染检测的边界和区域平滑特定特征。此外，通过在 STM 模块中引入新的 CB 和迁移学习（TL）概念，获得了各种增强通道，以捕获 COVID-19 特异性图像的微小光照和纹理变化。在第二阶段，使用新的 SA-CB-BRSeg 分割 CNN 对 COVID-19 CT 图像中的感染进行描绘。SA-CB-BRSeg 在编码器和解码器中系统地利用了平滑和异构操作，以同时捕获 COVID-19 特异性模式，即区域同质性、纹理变化和边界。此外，通过使用 TL 结合额外通道，在 SA-CB-BRSeg 的解码器中引入了新的 CB 概念，以学习低对比度区域。所提出的 STM-BRNet 和 SA-CB-BRSeg 取得了可观的成就：准确率为 98.01%，召回率为 98.12%，F 分数为 98.11%，以及对于 COVID-19 感染区域的 Dice 相似度分别为 96.396%，IOU 为 98.845%。与单阶段和其他已报告的系统相比，所提出的两阶段框架显著提高了性能，并减轻了放射科医师的负担。
引用
@article{arxiv.2302.02619,
title = {COVID-19 Infection Analysis Framework using Novel Boosted CNNs and Radiological Images},
author = {Saddam Hussain Khan},
journal= {arXiv preprint arXiv:2302.02619},
year = {2023}
}
备注
26 Pages, 11 Figures, 6 Tables. arXiv admin note: text overlap with arXiv:2209.10963