COVLIAS 3.5：将基于注意力机制的分割技术与模糊膨胀卷积神经网络相结合，以提高胸部X光片在多类肺炎诊断中的分类精度

《Scientific Reports》：COVLIAS 3.5: integration of attention-based segmentation technique with fuzzy dilated convolutional neural networks for improved classification of chest X-ray scans for multiclass pneumonia diagnosis

　　

摘要

本研究旨在通过将基于注意力的U-Net模型用于肺部分割，与经过模糊逻辑优化的CNN模型结合用于分类，从而提升肺炎的诊断准确性。该方法解决了医学图像中复杂空间关系建模不足的问题。由于未能充分运用模糊逻辑与扩张卷积技术，多尺度特征的提取一直受到限制。我们使用了18,608张胸部X光片，随后用四种模型对这些图像进行分割，分别是：U-Net、注意力U-Net、剪枝U-Net以及U-Net++。接着利用模糊逻辑系统处理分割后的数据。此外，我们还发现扩张CNN架构有助于提升分类性能。在肺部分割方面，实验结果显示，注意力U-Net的平均准确率比U-Net、剪枝U-Net和U-Net++高出1%，平均Jaccard系数和Dice系数则高出2%。在分类任务中，该模型在基于注意力U-Net分割的数据上，其平均准确率比其他模型高出10%。ROC曲线分析显示，在细菌性肺炎分类中，这种优化方式能使AUC值提高15%；同时，加入模糊逻辑后还能进一步提升4%的准确率。将模糊扩张CNN与注意力U-Net分割方法结合使用，其准确率比单独使用U-Net高1%。在细菌性肺炎分类中，该组合方法的最佳AUC值为0.98。我们的研究结果强调了注意力机制和数据增强技术在提升医学图像分析性能方面的关键作用。将注意力U-Net用于图像分割，再结合模糊扩张CNN进行多类分类，能够显著提高诊断的准确性和可靠性。这种方法有望彻底改变肺炎的诊断方式，从而为患者带来更好的治疗效果，并提升医疗服务的效率。