LocLungNet:利用轻量级深度学习增强肺部感染定位与疾病检测
图像与视频处理
2024-08-14 v1 计算机视觉与模式识别
摘要
近年来,深度学习在医学影像中的集成彻底改变了肺部疾病的诊断,特别是在 COVID-19 和肺炎的背景下。本文提出了一种新颖的轻量级分割-分类网络,旨在利用胸部 X 射线图像增强肺部感染的检测和定位。通过利用预训练的 VGG-16 权重进行迁移学习,即使训练数据有限,我们的模型也能实现稳健的性能。该架构在 U-Net++ 框架内整合了改进的跳跃连接,减少了语义差距,提高了分割精度。此外,在编码器末端集成了一个分类模块,实现了同步分类和分割。这种双重功能增强了模型的通用性,在提供全面诊断见解的同时优化了计算效率。实验结果表明,我们提出的轻量级网络在准确性和计算需求方面均优于现有方法,使其成为实时和资源受限医疗影像应用的理想选择。此外,精简的设计便于超参数调整和边缘设备部署。本研究强调了先进深度学习架构通过精确高效的医学图像分析改善临床结果的潜力。我们的模型在肺部区域分割方面取得了显著成果,交并比(IoU)为 93.59%,Dice 相似系数(DSC)为 97.61%;在感染区域定位方面,IoU 为 97.67%,DSC 为 87.61%。此外,在胸部疾病检测方面,它展示了 93.86% 的高准确率和 89.55% 的敏感性,证明了其有效性和可靠性。
关键词
引用
@article{arxiv.2408.06459,
title = {InfLocNet: Enhanced Lung Infection Localization and Disease Detection from Chest X-Ray Images Using Lightweight Deep Learning},
author = {Md. Asiful Islam Miah and Shourin Paul and Sunanda Das and M. M. A. Hashem},
journal= {arXiv preprint arXiv:2408.06459},
year = {2024}
}