基于囊网络的深度学习模型,通过X射线图像进行COVID诊断
Gabriela Rangel1,2, Juan C Cuevas-Tello1, Mariano Rivera3
1Facultad de Ingeniería, Universidad Autonoma de San Luis Potosi, San Luis Potosi 78290, Mexico.
Diagnostics (Basel, Switzerland)
|September 9, 2023
概括
这项研究介绍了DRCaps,这是一个囊网络模型,用于在胸部X射线中检测肺炎和COVID-19等疾病. DRCaps达到90%的准确性,为医学成像诊断提供了更简单,更有效的深度学习方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 射线诊断对于检测疾病至关重要,但需要专家的可用性.
- 目前的深度学习模型,如卷积神经网络 (CNN),在医学图像分析方面存在局限性.
- 囊网络 (CapsNet) 为解决这些局限性提供了一个有希望的替代方案.
研究的目的:
- 开发一种改进的深度学习模型,用于检测胸部X射线图像中的疾病.
- 评估囊网络 (CapsNet) 在诊断肺炎和COVID-19等疾病方面的有效性.
- 提出一个新的模型,DRCaps,可以提高CapsNet的性能和效率.
主要方法:
- 利用囊网络 (CapsNet) 进行胸部X射线分析.
- 开发了一个名为DRCaps的改进模型,包含扩张率 (dr) 参数.
- 管理了226 × 226分辨率的图像,并使用了重建阶段来防止过度拟合.
- 避免了最大共享操作,使用步伐和扩展率进行下方采样.
主要成果:
- 在16,669张胸部X射线图像的数据集上实现了90%的高精度.
- DRCaps模型的尺寸为11M,证明了效率.
- 在精度,参数数量和处理图像大小方面,DRCaps的表现优于同类模型.
- 证明了重建阶段在防止过度装配方面的有效性.
结论:
- 与现有的模型相比,DRCaps为胸部X射线疾病检测提供了卓越的深度学习解决方案.
- 该模型在诊断肺炎和COVID-19等疾病方面是有效的.
- DRCaps提供了一种简化的方法,避免了复杂的预处理和数据增强.
