使用胸部X射线图像进行快速和准确的呼吸道COVID-19预测的深度学习框架
Chiagoziem C Ukwuoma1, Dongsheng Cai1, Md Belal Bin Heyat2
1The College of Nuclear Technology and Automation Engineering, Chengdu University of Technology, Sichuan, 610059, China.
Journal of King Saud University. Computer and information sciences
|June 5, 2023
概括
这项研究引入了从医学图像中检测COVID-19的深度学习框架,实现了高精度. 该模型使用特征连接和多头自我注意网络来提高诊断性能.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 深度学习用于疾病检测和检测
背景情况:
- 使用医学图像从胸部异常检测COVID-19是由于人为错误和时间限制的挑战.
- 准确和高效的诊断工具对于管理COVID-19流行病至关重要.
- 现有的方法可能缺乏识别放射性发现细微差异所需的精度.
研究的目的:
- 开发和评估一个端到端的深度学习框架,以从医学图像中准确检测COVID-19.
- 通过整合深度特征连接和多头自我注意力机制来改进现有的方法.
- 评估模型在COVID-19诊断的二元和多分类场景中的性能.
主要方法:
- 提出了一个新的深度学习框架,结合了深度特征连接 (DenseNet,VGG-16,InceptionV3) 和一个多头自我注意网络.
- 预先训练的模型在COVID-19_Radiography_Dataset上进行了微调,以便进行端到端的训练.
- 使用可解释的人工智能 (XAI) 来可视化注意力机制,并在医学图像中识别相关区域.
主要成果:
- 提出的模型实现了96.33% (多分类) 和98.67% (二进制分类) 的高精度.
- 记录了优秀的F1分数:92.68%的多分类和98.67%的二进制分类.
- 该框架在同一数据集上,与单个模型和其他最近的深度学习方法相比,表现优越.
结论:
- 开发的深度学习框架为使用医疗图像检测COVID-19提供了高度准确和高效的解决方案.
- 功能连接加上多头自我注意力显著提高了诊断性能.
- 集成XAI为模型的决策过程提供了宝贵的见解,增加了信任和可解释性.
