使用卷积神经网络自动检测COVID-19
Aphelele Dumakude1, Absalom E Ezugwu2
1School of Mathematics, Statistics, and Computer Science, University of KwaZulu-Natal, King Edward Avenue, Pietermaritzburg Campus, Pietermaritzburg, 3201, KwaZulu-Natal, South Africa.
Scientific reports
|June 30, 2023
概括
这项研究介绍了两种AI模型,用于使用胸部CT扫描自动检测COVID-19. 这两种模型都实现了高精度,优于现有的有效和可靠的选方法.
科学领域:
- 医疗成像中的人工智能
- 机器学习用于疾病检测和检测
- 计算病理学计算病理学
背景情况:
- 对于检测COVID-19的快速和精确的自动查工具的关键需求.
- 对传染病自动诊断框架的现有研究.
- 在使用医学成像检查的COVID-19查中实现高精度和效率的挑战.
研究的目的:
- 开发和评估两种新的框架模型,用于从胸部CT扫描中自动检测COVID-19.
- 为了比较混合CNN-XGBoost模型与CNN-Feedforward神经网络模型的性能.
- 使用CovidxCT-2A数据集与最先进的方法建立一个基准.
主要方法:
- 开发了两个不同的深度学习架构:混合CNN-XGBoost模型和CNN-Feedforward神经网络模型.
- 贝叶斯优化用于超参数调整和转移学习技术 (Dropout,批量规范化) 的应用,以防止过拟合.
- 在CovidxCT-2A数据集上进行培训,验证和测试,使用精度,回忆,特异性,准确性和F1分数来评估性能.
主要成果:
- 混合型号实现了卓越的性能,精度为98.43%,回忆率为98.41%,特异性为99.26%,准确率为99.04%,F1得分为98.42%.
- 独立的CNN模型也表现出了强的结果:98.25%的精度,98.44%的回忆,99.27%的特异性,98.97%的准确性,98.34%的F1-score.
- 两种拟议的模型在分类准确性方面显著优于其他五种最先进的模型.
结论:
- 开发的AI框架提供了高效和准确的自动查,用于使用胸部CT图像检测COVID-19.
- 混合CNN-XGBoost模型由于其高性能指标,对临床应用特别有希望.
- 这些发现有助于推进用于公共卫生紧急情况的AI驱动诊断工具.
