MSTAC:使用堆叠的CNN模型对COVID-19胸部X射线图像进行多阶段自动分类
Thanakorn Phumkuea1, Thakerng Wongsirichot2, Kasikrit Damkliang2
1College of Digital Science, Prince of Songkla University, Songkhla 90110, Thailand.
Tomography (Ann Arbor, Mich.)
|December 22, 2023
概括
一个新的多阶段自动分类 (MSTAC) 系统用于COVID-19胸部X射线 (CXR) 分析,实现了97.30%的准确性. 这种人工智能工具有效地将COVID-19与非COVID-19和健康病例区分开来,帮助诊断.
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:
- 胸部X射线 (CXR) 成像对于诊断疑似COVID-19病例至关重要.
- 准确有效地对CXR图像进行分类对于患者管理至关重要.
- 现有的方法需要改进,以提高COVID-19检测准确度.
研究的目的:
- 为COVID-19CXR图像分析引入一种新的多阶段自动分类 (MSTAC) 系统.
- 为了评估MSTAC的表现与单一的CNN-多类模型对比.
- 使用人工智能增强COVID-19的诊断能力.
主要方法:
- 使用堆叠的卷积神经网络 (CNN) 模型开发一个双阶段分类系统 (MSTAC).
- 第一个阶段:区分健康和不健康的病例.
- 第二阶段:使用公开的CXR数据集,将COVID-19与非COVID-19病例分类.
主要成果:
- MSTAC的分类准确度和灵敏度达到了97.30%.
- 单一的CNN-Multiclass模型实现了94.76%的准确度和灵敏度.
- 与CNN-多类方法相比,MSTAC表现优越.
结论:
- 该MSTAC系统显示出在协助医疗保健专业人员高效COVID-19诊断方面具有重大潜力.
- 在疾病分类的医学图像分析中,MSTAC提供了更高的准确性和效率.
- 这种人工智能驱动的方法代表了COVID-19诊断工具的宝贵进步.
