MonDiaL-CAD:通过选择混合CNN统一的特征选择和集体学习来诊断水

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:

• 病毒的进化引发了人们对潜在的广泛传播的担忧,类似于COVID-19.
• 目前针对水的计算机辅助诊断 (CAD) 系统通常依赖于单个卷积神经网络 (CNN) 或不优化多个CNN的组合.
• 现有的CAD模型主要利用来自深度特征的空间信息,这可能会限制诊断性能.

研究的目的:

• 开发一款名为Monkey-CAD的先进CAD工具,用于快速准确地诊断水.
• 通过探索来自多个CNN的深度特征的最佳组合,克服现有CAD系统的局限性.
• 通过整合空间和时间频率信息来提高诊断准确性.

主要方法:

• Monkey-CAD从八个CNN中提取了深度特征,并确定了最有效的特征组合以进行分类.
• 离散波纹转换 (DWT) 用于合并特征,减少它们的尺寸并提供时间频率表示.
• 基于的特征选择方法进一步减少特征尺寸,然后使用三个集合模型进行分类.

主要成果:

• 在两个公共数据集上,Monkey-CAD的诊断准确度很高:在Monkeypox皮肤图像数据集 (MSID) 上为97.1%,在Monkeypox皮肤损伤数据集 (MSLD) 上为98.7%.
• 该系统有效地歧视了患有和没有麻疹的个人.
• 该研究验证了从选定的CNN中融合深度特征以提高分类性能的有效性.

结论:

• 子-CAD显示出作为一种工具,以帮助医疗保健从业人员快速诊断麻疹显著的潜力.
• 这些发现强调了将多个CNN的深度特征结合起来,以提高诊断性能的好处.
• 这种方法为改进人工智能驱动的诊断工具在传染病检测方面提供了一个有希望的方向.