关键词:
新冠肺炎
肺部疾病
医学影像处理
卷积神经网络
摘要:
医学影像尤其是胸片(X光)的快速分割与分类,对肺部疾病的定性诊断最为常用。必须有经验的放射科医生解读。但有时训练有素的专家也会曲解X光影像,因此新的AI算法近年来不断被引入对医学影像进行分割和分类。新冠肺炎(COVID-19)的全球爆发引发了全球卫生系统的严重挑战,特别是公共卫生和医疗体系并对肺部疾病的更为深刻关注,而医学影像处理技术在这一背景下显得尤为关键。胸部X光片是一种非侵入式、迅速的医学影像检查手段,在COVID-19的诊断和治疗中扮演着重要角色。
本论文从全面的角度出发,以应对肺部疾病的迫切需求为出发点,深入研究了两种先进的胸片医学影像处理方法:一是基于卷积神经网络(CNN)的肺部区域特征提取和分类研究,二是基于Transformer模型的四种肺部疾病分类研究。
首先,论文提出了一种用于胸部X光片的新型COVID-19肺部精确分割深度网络(Focus-Net)。使用BN+Leaky Re LU模块来捕获更多的高级特征并保留更多的空间信息,并将提出的BN+Leaky Re LU模块与UNet结构相结合,用于医学图像分割。并应用于新冠肺炎、正常肺部、肺炎的胸部X光片肺部图像分割。后将进行分割后的肺部图像使用Res Net18进行分类,模型的关注点聚焦到肺部区域,提高了分类可信度。
其次,论文采用了Swin Transformer模型,通过对四种常见肺部疾病(包括新冠肺炎、普通肺炎等)的深入分类研究并与代表性的CNN网络(Res Net-50、Res Net-18和VGG16)进行了对比分析,模型更加聚焦于肺部区域,使得分类更加精准。通过将深度学习技术应用于胸部X光片的肺部精确分割和分类,成功提高了COVID-19的诊断效率和分类的可信度和准确性。通过对比这两项研究,验证了它们在肺部疾病分割分类任务中的有效性和准确性,也为当前肺部疾病的快速诊断提供了技术支持。