一个增强辅助简洁的CNN基于架构的COVID-19诊断实时实时
Balraj Preet Kaur1, Harpreet Singh2, Rahul Hans1
1Department of Computer Science and Engineering, DAV University, Jalandhar, India.
Scientific reports
|January 11, 2024
概括
一个新的深度学习模型使用图像增强和数据增强精确检测X射线的COVID-19. 这种计算机辅助诊断系统达到98%的准确性,使其能够在移动设备上部署.
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:
- 在全球范围内,COVID-19已经造成数百万人的死亡,造成严重的肺损伤.
- 及时检测对于减少死亡率和疾病传播至关重要.
- 计算机辅助诊断 (CAD) 的深度学习模型需要大量的计算资源.
研究的目的:
- 开发一个简洁的基于卷积神经网络 (CNN) 的CAD系统,用于X射线检测COVID-19.
- 为了实现在资源有限的设备上部署,如手机和平板电脑.
- 为了提高COVID-19诊断的准确性和效率.
主要方法:
- 在第一阶段,应用了图像增强技术.
- 数据增强在第二阶段用于预处理.
- 在第三阶段进行了超参数优化,以微调CNN模型.
主要成果:
- 拟议的CNN模型在优化后实现了98%的准确性.
- 图像增强,数据增强和超参数调整将精度从94%提高到98%.
- 开发的系统表现优于Xception,Resnet50和Inception等流行的转移学习模型.
结论:
- 开发的基于CNN的CAD系统在X射线图像中有效检测COVID-19.
- 该系统的简洁性允许在资源有限的移动和边缘设备上部署.
- 这种方法为可访问和准确的COVID-19诊断提供了一个有希望的解决方案.
