LDE-UNet: 基于CT图像分割的新型COVID-19快速诊断模型LDE-UNet（深度解析）

秌枫

已于 2024-09-18 00:33:51 修改

阅读量1.1k

点赞数 33

文章标签：计算机视觉深度学习人工智能

于 2024-09-18 00:29:30 首次发布

本文链接：https://blog.csdn.net/2303_79426621/article/details/142321247

版权

论文链接：

LDE-UNet：一种通过 CT 图像分割快速诊断 COVID-19 的新模型 |IEEE 会议出版物 |IEEE Xplorehttps://ieeexplore.ieee.org/document/10385641

本文主要对LDE-UNet的论文解读，如有错误地方，请各位大佬指教。

一：Abstract（摘要）

二：本文的主要贡献

1.这篇论文介绍了LDE- unet，一个突破性的语义分割模型，以及它的功能单元，LDE块。这种创新巧妙地解决了传统模型中特有的细节丢失问题。

2.与现有模型相比，LDE-UNet显示出惊人的准确性，预示着其在实际医疗环境中的潜在适用性。

3.LDE-UNet的发展超越了特定用途，为疾病诊断提供了一种通用的方法。通过利用与特定疾病相关的CT图像，该模型确保了有效的响应和更高的性能，标志着医学成像分析的重大进步。

三：Method（方法）

1.The LDE Block

1.3*3卷积进行特征提取，1*1卷积改变通道数，使其通道数变为2C

2.将2C*H*W与C*H*W拼接形成3C*H*W

3.使用ReLu激活函数（将负值置为0），进行3*3的卷积，再次进行3*3的卷积（配置C个卷积核3C→C）

4.利用3*3的卷积和1*1的卷积转换成1*H*W 5.将矩阵1*H*W看作特征映射（卷积操作），与原特征图C*H*W相乘，输出新的特征图

2.Whole Structure

1.取代跳过连接的过程，而无需额外的计算。

2.通过四卷积和下采样过程逐渐将单通道输入图像扩展到128、256、512和1024通道。矩阵大小变为在编码器过程完成后，进行解码器过程。这就是我们提出的LDE结构发挥作用的地方。

3.首先进行上采样，将通道数减少到原来的12个，将矩阵大小扩大到原来的2倍

4.将前一下采样矩阵和自下而上采样得到的矩阵馈送到LDE块中，输出是与输入矩阵相同通道的结果。

5.这个过程重复三次，卷积过程得到最终的掩码输出。我们提出的LDE-UNet的结构如上图所示。

3.Loss Function

将交叉熵损失（CE）的权重设置为0.4。第二个Dice Similarity Score((DSC)。根据经验，我们将骰子损失的权重指定为0.6。最后，提出的LDE-UNet的总损失函数为:

四：性能表现

基于Dice Similarity Score (DSC)指标，论文提出的LDE-UNet模型优于所有六个模型，得分为80.2%。这个分数比第二名Attention U-Net高出大约0.4%。在召回指标方面，我们的模型再次表现出色，达到了83.7%的最佳性能，比排名第二的TransUnet高出约0.4%。至于Hausdorff Distance(HD)指标，论文的LDE-UNet的得分为12.89，在比较的模型中表现最好。关于这些指标的详细数据列于下表中。论文选择在内部通过仅对块的两个输入执行1 × 1卷积来简化LDE块，同时保持原始通道数量。然后将这些通道在通道维度中连接在一起，以派生模块的输出。与此过程有关的具体数据见下表。

在早期的比较实验中，论文根据经验分配Cross Entropy (CE)和Dice Loss (DL)的权重分别为0.4和0.6。在这里，论文用四种不同的权重组合来训练模型。如表III所示，CE = 0.6和DL = 0.4的组合可能产生模型的最佳性能。

五： Conclusion（结论）

论文研究提出了细节增强级别U-Net (LDE-UNet)模型，旨在使用语义分割以更快的速度和精度确定病变位置。利用来自Kaggle的COVID-19数据集，经过全面的算法比较，我们确定我们提出的LDE-UNet模型在性能方面优于其他最先进的模型。我们的模型旨在在同一水平上加强细节一致性，并减轻下采样期间细节丢失的问题。此外，我们进行了消融实验，以强调所提出的LDE-UNet架构的有效性。