通过深度学习算法使用肺部CT图像预测COVID疾病:DETS优化的Resnet 101分类器
J H Jensha Haennah1, C Seldev Christopher2, G R Gnana King3
1St. Xavier's Catholic College of Engineering, Affiliated to Anna University Chennai, Tamil Nadu, India.
Frontiers in medicine
|September 25, 2023
概括
这项研究介绍了一种使用Pix 2 Pix-GAN和Resnet 101的深度学习 (DL) 模型,用于从胸部扫描中检测COVID-19. 人工智能模型准确识别COVID-19患者,帮助临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 传染性疾病 传染性疾病
背景情况:
- 由于医疗保健系统的压倒,COVID-19大流行需要快速诊断工具.
- 实验室测试结果的延迟阻碍了对SARS-CoV-2感染的及时治疗干预.
- 深度学习 (DL) 提供了开发预测性临床决策系统的潜力.
研究的目的:
- 开发和评估基于DL的系统,使用胸部扫描进行准确的COVID-19检测.
- 用Pix 2Pix-GAN利用转移学习 (TL) 来生成合成医疗图像.
- 使用DETS优化的Resnet 101模型对COVID-19病例进行分类.
主要方法:
- 使用转移学习 (TL) 与Pix 2 Pix-GAN进行图像增强.
- 在真实和合成肺部CT图像上训练了一个Duffing方程金枪鱼群 (DETS) 优化的Resnet 101分类器.
- 使用 MATLAB 模拟实现了模型,并评估了性能指标 (准确性,精度,F1 评分,回忆,AUC).
主要成果:
- 拟议的模型在识别COVID-19患者方面实现了97.2%的准确性.
- 在COVID-19预测中显示出高回忆率 (95.9%) 和特异性 (95.5%).
- 实验结果验证了该模型在预测SARS-CoV-2感染方面的有效性.
结论:
- 开发的DL模型显示了帮助医学专家在临床预测方面显著的前景.
- 这种人工智能驱动的方法可以通过更快的COVID-19诊断来减轻医疗保健系统的压力.
- 预测模型为未来的传染病预测临床研究提供了宝贵的工具.
