雷莫拉纳米布甲虫优化启用深度学习用于COVID-19肺部感染严重程度的识别和分类使用CT图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 新型冠状病毒疾病2019 (COVID-19) 构成了全球重大健康挑战.
• 从医学成像中准确和快速检测COVID-19对于有效的患者管理至关重要.
• 在CT图像中识别和细分感染性肺组织存在相当大的挑战.

研究的目的:

• 引入新的优化和分类技术,用于在肺部CT图像中自动检测COVID-19.
• 提高识别和分类COVID-19相关肺部感染的准确性和效率.
• 通过先进的人工智能模型,提高COVID-19的诊断能力.

主要方法:

• 肺部CT图像的预处理使用自适应维纳波器.
• 使用金字塔场景解析网络 (PSP-Net) 的肺叶细分.
• 开发和应用Remora Namib虫优化_深度量子神经网络 (RNBO_DQNN) 和RNBO_深度神经模糊网络 (RNBO_DNFN) 进行分类,其中RNBO合并了Remora优化算法 (ROA) 和Namib虫优化 (NBO).

主要成果:

• 用RNBO_DQNN和RNBO_DNFN模型识别和分类COVID-19肺部感染.
• 该RNBO_DNFN模型实现了最大的测试准确性.
• 具体的绩效指标包括89.4%的真负率 (TNR),89.5%的真正率 (TPR) 和87.5%的另一个指标.

结论:

• 拟议的RNBO_DQNN和RNBO_DNFN技术显示出从肺部CT图像中准确检测COVID-19的高潜力.
• 这些先进的方法可以帮助早期识别和分类传染性肺组织,支持临床决策.
• 该研究强调了将新型优化算法与深度学习网络相结合的有效性,用于在传染病背景下进行医学图像分析.