混合诊断模型用于改善COVID-19检测在肺X射线使用深度和传统特征的肺X射线图
Imran Arshad Choudhry1, Adnan N Qureshi2, Khursheed Aurangzeb3
1Department of Computer Science, Faculty of Information Technology & Computer Science, University of Central Punjab, Lahore 54000, Pakistan.
Biomimetics (Basel, Switzerland)
|September 27, 2023
概括
这项研究引入了一种混合深度学习模型,用于使用肺X射线检测COVID-19. 该方法结合了手动和深度功能,实现了95.57%的诊断准确度,优于现有方法.
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:
- COVID-19 构成了全球健康威胁,需要准确的诊断工具.
- 肺部X射线成像是识别COVID-19的关键方法之一.
- 计算机辅助诊断可以帮助医疗保健专业人员解释X射线图像.
研究的目的:
- 开发和验证混合深度学习模型,以从肺部X射线图像中增强COVID-19分类.
- 整合手动和深度空间特征,以提高诊断准确度.
- 评估模型的性能与已建立的深度学习技术对比.
主要方法:
- 开发了一种混合方法,将手动和深度空间特征结合起来.
- 通过转移学习,使用了四个预训练的卷积神经网络 (CNN) 模型.
- 混合模型在两个数据集上进行了测试,包括1102个肺X射线扫描.
主要成果:
- 拟议的混合模型使用SVM分类器实现了95.57%的诊断准确度.
- 这代表了与Xception等基线模型相比的显著改进,精度增加了17.58%.
- 该模型显示了高灵敏度 (95.37%),特异性 (95.39%) 和AUC (95.77%).
结论:
- 混合深度学习方法提供了一个强大的和准确的方法,用于COVID-19诊断的肺X射线.
- 该模型通过提供可靠的诊断支持来提高临床性能.
- 这些发现表明,与类似的研究相比,分类准确度和诊断有效性更高.
