LCSB-inception:可靠和有效的光色隔离分支用于从胸部X射线图像中检测Covid-19的X射线图像
Chiagoziem C Ukwuoma1, Zhiguang Qin1, Victor Kwaku Agbesi2
1School of Information and Software Engineering, University of Electronic Science and Technology of China, Sichuan, PR China.
Computers in biology and medicine
|October 20, 2023
概括
这项研究介绍了LCSB-Inception,这是一个新的深度学习模型,用于通过胸部X射线有效检测COVID-19. 它通过改进特征提取和降低计算成本来实现高精度,优于现有方法.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 随着COVID-19的流行,全球出现了严重的健康问题,需要快速准确的诊断工具.
- 现有的从胸部X射线检测COVID-19的深度学习模型面临着缺陷特征提取和高计算需求的挑战.
- 需要有效和准确的深度学习框架,以便及时诊断COVID-19.
研究的目的:
- 利用胸部X射线图像开发一种准确,高效,计算成本更低的深度学习方法来检测COVID-19.
- 加强从胸部X射线中提取特征,以改善COVID-19的识别.
- 为了降低与COVID-19诊断的深度学习模型相关的计算成本.
主要方法:
- 探索了Inception V3深层人工神经网络,提出了LCSB-Inception,这是一个双路径网络 (L和AB通道),利用CIE LAB颜色空间进行特征提取.
- 实现了50%L-50%AB的过器分割和全球二级聚合,以实现强大的特征提取和参数减少.
- 应用对比限度自适应直方体平衡 (CLAHE) 用于图像增强,并尝试了不同的损失函数和学习率.
主要成果:
- 拟议的LCSB-Inception模型显示了高的检测准确性,在胸部X射线-15k数据集上达到0.97867,在COVID-19放射数据集上达到0.98199.
- 该模型有效地提取纹理,边缘和颜色特征,优于传统的最大共享.
- 与标准的Inception V3相比,LCSB-Inception方法可以显著节省参数.
结论:
- 该LCSB-Inception模型提供了一个准确而有效的解决方案,用于通过胸部X射线检测COVID-19.
- 这种方法为流行病诊断的现有深度学习方法提供了一个计算上有利的替代方案.
- 该研究强调了增强特征提取技术在改善传染病医疗图像分析方面的潜力.
