双流EfficientNet与对抗性样本增强用于COVID-19计算机辅助诊断.
Weijie Xu1, Lina Nie1, Beijing Chen2
1Engineering Research Center of Digital Forensics, Ministry of Education, Nanjing University of Information Science and Technology, Nanjing, 210044, China.
Computers in biology and medicine
|September 11, 2023
概括
这项研究引入了一种先进的双流网络,用于使用CT扫描来诊断冠状病毒病 (COVID-19). 这种新的方法显著提高了诊断准确性,解决了当前深度学习方法的局限性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 目前用于诊断COVID-19的计算机辅助方法,包括深度学习,往往缺乏足够的准确性.
- 关键的局限性包括专注于模型架构而不是图像数据,以及用于深度学习培训的小型数据集的挑战.
研究的目的:
- 从CT扫描中开发一个更准确的深度学习模型来诊断COVID-19.
- 解决医疗图像分析的深度学习模型中的数据稀缺和过度匹配问题.
主要方法:
- 提出了一个利用EfficientNet架构的双流网络.
- 该网络整合了来自CT扫描的空间和频率域信息.
- 敌对传播 (AdvProp) 和特征金字塔网络 (FPN) 被用于增强培训和特征融合.
主要成果:
- 拟议的双流网络在COVIDx CT-2A数据集上的12种现有的深度学习方法相比,表现出更好的性能.
- 实现了高精度:0.9870用于多类分类和0.9958用于COVID-19的二进制分类.
结论:
- 开发的双流网络提供了使用CT成像进行COVID-19诊断的高度准确和有效方法.
- 该方法成功地克服了医疗诊断深度学习的常见挑战,特别是数据限制和过度匹配.
