Resumen

La enfermedad por coronavirus 2019 (COVID-19) se ha propagado rápidamente en todo el mundo. La segmentación automática rápida y precisa de áreas infectadas por COVID-19 utilizando tomografías computarizadas (TC) de tórax es fundamental para evaluar la progresión de la enfermedad. Sin embargo, las áreas infectadas tienen tamaños y formas irregulares. Además, existen grandes diferencias entre las características de las imágenes. Proponemos una red neuronal convolucional, llamada 3D CU-Net, para identificar automáticamente áreas infectadas por COVID-19 en imágenes 3D de TC de tórax extrayendo características ricas y fusionando información global multiescala. 3D CU-Net se basa en la arquitectura de 3D U-Net. Proponemos un mecanismo de atención para 3D CU-Net para lograr una interacción de información local entre canales en un codificador para mejorar diferentes niveles de representación de características. Al final del codificador, diseñamos un módulo de fusión piramidal con convoluciones expandidas para fusionar información de contexto

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Coronavirus; Tomografías computarizadas; Red neuronal convolucional; 3D CU-Net; Segmentación; COVID-19.
• Keywords:Coronavirus; CT scans; Convolutional neural network; 3D CU-Net; Segmentation; COVID-19.