从肺部CT图像使用转移学习进行COVID-19的准确诊断

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:

• 准确和快速诊断COVID-19对于有效的患者管理至关重要.
• 胸部计算机断层扫描 (CT) 是检测COVID-19的宝贵工具.
• 传统的诊断方法可能耗时,需要先进的自动化方法.

研究的目的:

• 开发和评估一种基于人工智能的方法,用于使用断层图像的特征提取来对COVID-19进行分类.
• 利用图像处理和转移学习技术来提高诊断准确度.

主要方法:

• 扫描图像的预处理包括掩盖和细分,以提高特征检测能力.
• 使用数据增强来增加数据集大小和模型可靠性.
• 转移学习,利用预训练模型,如ResNet-50,应用于减少培训时间和提高绩效.
• 数据集分为70%用于培训和30%用于测试.

主要成果:

• 这项研究利用了8,354张胸部CT图像 (2,695张COVID-19阳性,5,659张健康) 的数据集.
• ResNet-50模型实现了最高的性能指标:95.7%的准确性,94.7%的精度,99.2%的回忆率,88.3%的特异性,96.9%的F1得分和97%的ROC-AUC.
• 开发的模型在识别COVID-19病变方面表现出高准确性和回忆力.

结论:

• 开发的转移学习模型有效地将COVID-19从高精度和回忆的胸部CT图像中分类.
• 这种人工智能驱动的方法显示了加速COVID-19诊断的巨大潜力.