文章目录
- COVID19 to Pneumonia: Multi Region Lung Severity Classification Using CNN Transformer Position-Aware Feature Encoding Network
- 摘要
- 方法
- 实验结果
COVID19 to Pneumonia: Multi Region Lung Severity Classification Using CNN Transformer Position-Aware Feature Encoding Network
摘要
目的： 本研究调查了利用 COVID-19 患者的胸部 X 光 （CXR） 数据对肺炎的严重程度进行分类，旨在提高 COVID-19 数据集的预测准确性，并在不同的肺炎病例中实现稳健的分类。
方法： 开发了一种新颖的 CNN-Transformer 混合网络，利用位置感知功能和区域共享 MLP 来整合肺区域信息。这提高了对不同空间分辨率和评分的适应性，解决了由于临床测量不明确而导致的严重程度评估的主观性。
结果： 该模型显示 COVID-19 和异质性肺炎数据集的肺炎严重程度分类都有显著改善。其适应性强的结构允许与各种主干模型无缝集成，从而实现持续的性能改进和潜在的临床应用，尤其是在重症监护病房中。
代码地址
方法
图 1.多区域 CNN Transformer 混合网络的工作流程和结构，具有用于肺部严重程度分类的位置感知特征编码。
（a） 空间归一化是一个预处理阶段，包括分割、变换和增强：
使用 UNET++ 提取MASK，将MASK用作空间转换器网络的输入值，以预测用于放大和对齐的仿射变换矩阵
（b） 位置感知特征编码使用 CNN、Patch Embedding、位置Embedding和 transformer 执行：
归一化输入图像首先通过主干 θ1，仅依赖局部特征 F 进行预测可能会导致预测错误。因此，执行了一个过程，将位置信息合并到局部特征 F 中。
（c） 多区域分数提取是为每个任务提取 ROI 并按区域共享 MLP 计算特定区域标签的过程
实验结果
