一种基于遗传编程的卷积深度学习算法,用于通过X射线图像识别COVID-19病例.
Mohammad Hassan Tayarani Najaran1
1School of Computing Science, University of Hertfordshire, Hatfield, UK.
Artificial intelligence in medicine
|June 14, 2023
概括
本研究介绍了一种基因编程方法,以优化卷积神经网络 (CNN) 结构,以使用X射线图像检测COVID-19. 该方法提高了医疗成像分析中的诊断准确性和计算效率.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 卷积神经网络 (CNN) 在图像处理任务中是有效的.
- 优化CNN架构对于准确性和计算效率至关重要.
- 从X射线图像中诊断COVID-19需要强大的和高效的检测方法.
研究的目的:
- 开发一种用于优化CNN结构的遗传编程方法.
- 使用X射线图像来提高COVID-19诊断的准确性和降低计算成本.
- 为自动CNN架构设计提出一种新的方法.
主要方法:
- 为CNN结构优化开发了一种遗传编程框架.
- 建议对CNN架构进行图形表示.
- 进化运算符 (交叉,突变) 为图形表示而设计.
- 一个共同进化的方案优化了CNN骨架和数值参数.
主要成果:
- 拟议的方法成功优化了CNN架构用于COVID-19检测.
- 该方法显示了提高诊断准确性的潜力.
- 进化优化解决了结构布局和操作器属性.
结论:
- 遗传编程为优化CNN架构提供了一种灵活有效的方法.
- 拟议的方法是医学图像分析的有希望的工具,特别是用于COVID-19诊断.
- 自动化的CNN架构优化可以带来更高效,更准确的诊断工具.
