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.
翻譯成其他語言
從原文內容
arxiv.org
深入探究