基于深度学习的新型方法对COVID-19的潜在诊断应用
Alireza Sadeghi1, Mahdieh Sadeghi2, Ali Sharifpour3
1Intelligent Mobile Robot Lab (IMRL), Department of Mechatronics Engineering, Faculty of New Sciences and Technologies, University of Tehran, Tehran, Iran.
Scientific reports
|January 3, 2024
概括
深度学习模型从CT扫描中准确地检测到COVID-19. 新模型在幻灯片级别检测时达到99%以上的准确性,在患者级别检测时达到100%的准确性,在资源有限的环境中帮助诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 新型冠状病毒病2019 (COVID-19) 提出了诊断挑战,特别是在有限的医疗资源的情况下.
- 准确及时检测COVID-19对于有效的公共卫生管理和患者护理至关重要.
- 计算机断层扫描 (CT) 扫描对于可视化与COVID-19相关的肺部异常非常有价值.
研究的目的:
- 利用患者CT扫描数据开发和评估用于自动化COVID-19诊断的深度学习模型.
- 引入一个新的数据集,COVID-MAH-CT,包括CT图像和COVID-19研究的3D卷.
- 评估COVID-19检测的幻灯片级和患者级分析模型的性能.
主要方法:
- 开发六种转移学习模型,用于多切片螺旋CT扫描的幻灯片级分析.
- 介绍了一种新的3D深度神经网络,MASERes (多头注意力挤压和刺激残留),用于患者层面的分析.
- 利用新创建的COVID-MAH-CT数据集,其中包含来自133名COVID-19患者的4442张CT图像.
主要成果:
- 转移学习模型在检测COVID-19阳性CT幻灯片时达到99%以上的准确性.
- MASERes神经网络在诊断COVID-19患者的3DCT卷中显示出100%的准确性.
- 开发的模型在个人CT幻灯片和全面的患者级诊断方面都显示出高效率.
结论:
- 拟议的深度学习模型为CT扫描自动检测COVID-19提供了强大的解决方案.
- 这些模型,特别是MASER,具有很高的准确性,适合于现实应用,特别是在诊断设施有限的地区.
- COVID-MAH-CT数据集和相关代码的可用性促进了人工智能驱动的医学诊断的进一步研究和开发.
