基于注意力残差 U-Net 与集成分类的结核病菌浆颗粒检测提升
图像与视频处理
2025-01-08 v1 计算机视觉与模式识别
摘要
结核病 (Tuberculosis, TB) 由肺结核分枝杆菌 (Mycobacterium tuberculosis) 引起，仍是全球临床和健康领域的关键问题，迫切需要及时诊断和治疗。当前从亮场显微肺部痰液染色图像中检测结核病菌的方法存在自动化程度低、分割性能不足以及分类精度有限等问题。本文提出一种高效的混合方法，将深度学习用于分割和集成模型用于分类。引入一种集成注意力模块和残差连接的增强型 U-Net 模型，以精确分割显微肺部痰液染色图像，实现感兴趣区域 (Regions of Interest, ROIs) 的提取。随后，这些 ROIs 使用由支持向量机 (SVM)、随机森林和极端梯度提升 (XGBoost) 组成的集成分类器进行分类，从而实现对菌浆颗粒的精准识别。实验在新创建的数据集以及公开数据集上进行，结果表明所提出的方法在分割性能、分类准确率和自动化水平方面均优于现有方法。
引用
@article{arxiv.2501.03539,
title = {Enhanced Tuberculosis Bacilli Detection using Attention-Residual U-Net and Ensemble Classification},
author = {Greeshma K and Vishnukumar S},
journal= {arXiv preprint arXiv:2501.03539},
year = {2025}
}