在计算机断层扫描图像上进行COVID-19多类分类的混合特征提取
Hassana Abubakar1, Fadi Al-Turjman2,3, Zubaida S Ameen4
1Biomedical Engineering Department, Faculty of Engineering, Near East University, Mersin 10, Turkey.
Heliyon
|March 11, 2024
概括
早期诊断COVID-19是至关重要的. 将深度学习功能与导向梯度 (HOG) 和支持矢量机器 (SVM) 的直方图相结合,实现了检测病毒的99.4%准确性.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 由SARS-CoV-2引起的COVID-19已导致全球数百万人死亡.
- 病毒不断发生突变,产生更易传播的菌株.
- 像RT-PCR这样的传统诊断方法在快速,广泛的诊断方面存在局限性.
研究的目的:
- 为早期COVID-19诊断开发一种有效和准确的方法.
- 为了提高机器学习分类器用于COVID-19检测的性能.
- 探索组合特征提取技术的有效性.
主要方法:
- 用于特征提取的面向梯度 (HOG) 的运用历史图.
- 采用了八个深度学习模型来进行特征提取.
- 应用K-近邻 (KNN) 和支持向量机器 (SVM) 进行分类.
- 提出了一套综合功能集,集成HOG和深度学习功能.
主要成果:
- 在使用SVM分类器时,VGG-16 + HOG组合功能实现了99.4%的整体准确性.
- 连接特征方法显著提高了分类器的性能.
- 这种混合方法在检测COVID-19中表现出高效率.
结论:
- 拟议的HOG和深度学习功能连接的功能改善了SVM分类器在COVID-19检测中的性能.
- 这种方法为准确和早期诊断COVID-19提供了一个有希望的途径.
- 医学成像与先进的机器学习技术相结合,可以帮助管理呼吸系统疾病大流行.


