深度网络的融合提取特征,以改善COVID-19的分类与胸部X射线放射学
Kuo-Hsuan Lin1,2, Nan-Han Lu3,4,5, Takahide Okamoto6
1Department of Information Engineering, I-Shou University, Kaohsiung City 82445, Taiwan.
Healthcare (Basel, Switzerland)
|May 27, 2023
概括
这项研究表明,融合卷积神经网络 (CNN) 模型有效地通过X射线诊断COVID-19和细菌性肺炎. 该方法实现了高精度,为分类这些呼吸道疾病提供了可靠的方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 使用胸部X射线精确诊断COVID-19和细菌性肺炎至关重要.
- 功能提取是医疗图像分析深度学习模型的一个关键挑战.
- 现有的方法可能无法充分利用深度网络的分类潜力.
研究的目的:
- 研究来自深度网络的融合提取特征的有效性,以改进COVID-19和细菌性肺炎分类.
- 开发和评估一种新的Fusion CNN模型与支持矢量机 (SVM) 分类器相结合.
- 用准确度,卡帕值,回忆和精度等指标来评估分类性能.
主要方法:
- 使用五种深度学习模型开发了一个Fusion CNN模型,用于特征提取的转移学习.
- 提取的特征被结合并用于训练一个支持向量机 (SVM) 分类器与一个辐射基函数 (RBF) 内核.
- 评价使用准确度,卡帕值,回忆率和胸部X射线图像的精度得分来评估表现.
主要成果:
- 融合CNN-SVM模型实现了0.994的高精度和0.991.991的卡帕值.
- 正常,COVID-19和细菌组的精度分数分别为0.991,0.998和0.994.
- 所有评估的模型都表现出强大的分类性能,卡帕值始终高于0.990.
结论:
- 从深度网络中提取的融合特征提供了一种可靠和准确的方法,用于从胸部X射线分类COVID-19和细菌性肺炎.
- 开发的Fusion CNN模型与SVM分类器显示了在医疗成像中提高诊断准确性的巨大潜力.
- 这项研究强调了将深度学习特征提取与机器学习分类器用于疾病诊断的有效性.
