Детальная информация

Я решил использовать набор данных LUNA16, набор данных пневмонии рентгеновских снимков грудной клетки и набор данных COVID-19 и обработал данные для преобразования формата данных, а также пороговой сегментации. В задаче сегментации мы в основном проводили эксперименты, сравнивая эффект сегментации U-net и предлагаемой нами сегментации PCFA-net, и результаты показывают, что сегментация PCFA-net немного лучше. В задаче обнаружения легочных узелков сеть была протестирована с использованием различных функций потерь, в основном в сетевой архитектуре YOLOv8, и результаты показали, что модель YOLOv8 с использованием функции потерь EIOU работала лучше всего. Для задачи генерации, в основном в сетевой архитектуре SRWGAN, сгенерированные изображения становятся более четкими по мере увеличения числа итераций, анализируются потери генератора и дискриминатора во время процесса обучения сети, и результаты показывают, что нет переобучения или недообучения нашей сети во время итераций, и SRWGAN успешно завершает задачу реконструкции. Мы надеемся, что наша работа будет полезна ученым в области обработки медицинских изображений, а также анализа медицинских изображений.

I chose to use the LUNA16 dataset, the pneumonia dataset of chest X-ray images, and the COVID-19 dataset, and processed the data for data format conversion as well as threshold segmentation. In the segmentation task, we mainly did experiments comparing the effect of U-net segmentation and our proposed PCFA-net segmentation, and the results show that PCFA-net segmentation is slightly better. In the lung nodule detection task, the network was tested using different loss functions mainly under the YOLOv8 network architecture, and the results showed that the YOLOv8 model using the EIOU loss function worked best. For the generation task, mainly under the SRWGAN network architecture, the generated images become clearer as the number of iterations increases, the loss of the generator and discriminator during the network training process is analysed, and the results show that there is no overfitting or underfitting of our network during iterations, and SRWGAN successfully completes the reconstruction task. We hope that our work can be useful for scholars in the field of medical image processing as well as medical image analysis.