In dieser Arbeit wird ein neuartiges COVID-19-CT-Segmentationsnetzwerk namens COVID-CT-H-UNet vorgestellt. Das Netzwerk basiert auf dem beliebten U-Net-Segmentationsmodell und verwendet zusätzlich einen Aufmerksamkeitsmechanismus in den Skip-Verbindungen, um relevante Merkmale besser zu erfassen. Außerdem wird eine neuartige Bi-Kategorie-Hybrid-Verlustfunktion eingeführt, die eine Kombination aus Randverlust, Binärkreuzentropieverlust, Dice-Verlust und quadratischem Hinge-Verlust ist.
Der Aufmerksamkeitsmechanismus hilft dabei, die Beziehungen zwischen entfernten Regionen besser zu modellieren und die Segmentationsgenauigkeit zu erhöhen. Die Bi-Kategorie-Hybrid-Verlustfunktion adressiert die Probleme der unscharfen Ränder und des schlechten Kontrasts, die bei herkömmlichen Methoden auftreten.
Im Vergleich zu anderen COVID-19-CT-Segmentationsnetzwerken wie U-Net, U-Net++, U-Net+ResNet, TV-UNet und SCTV-UNet erzielt das vorgeschlagene COVID-CT-H-UNet deutlich bessere Ergebnisse bei den Metriken Dice-Koeffizient, Sensitivität und Spezifität. Die Aufmerksamkeitsmodule und die neuartige Verlustfunktion tragen maßgeblich zu dieser Leistungssteigerung bei.
Til et andet sprog
fra kildeindhold
arxiv.org
Vigtigste indsigter udtrukket fra
by Anay Panja,S... kl. arxiv.org 03-19-2024
https://arxiv.org/pdf/2403.10880.pdfDybere Forespørgsler