从多模式成像数据中自动检测COVID-19使用优化卷积神经网络模型
S Veluchamy1, S Sudharson2, R Annamalai1
1Department of Computer Science and Engineering, Amrita School of Computing, Amrita Vishwa Vidyapeetham, Chennai, 601103, India.
Journal of imaging informatics in medicine
|March 19, 2024
概括
这项研究引入了一种先进的方法来检测COVID-19使用优化深度学习模型和多模式成像. 改进后的系统实现了98.7%的准确性,改进了现有的冠状病毒疾病诊断工具.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 传染性疾病 传染性疾病
背景情况:
- 在大流行期间,COVID-19感染迅速增加,需要准确和及时的诊断.
- 早期识别COVID-19对于疾病控制和治疗计划至关重要.
- 需要先进的诊断方法来满足日益增长的广泛检测COVID-19的需求.
研究的目的:
- 开发和验证一个优化的深度学习系统,以准确检测COVID-19.
- 通过使用多模式成像数据融合来增强卷积神经网络 (CNN) 模型.
- 通过功能融合和优化技术来提高COVID-19诊断的准确性.
主要方法:
- 对各种卷积神经网络 (CNN) 模型进行比较分析,以选择最佳架构.
- 通过从多模态成像数据集的特征融合来增强所选的CNN模型.
- 应用Jaya优化技术以实现最佳的特征向量合并.
- 使用支持矢量机 (SVM) 分类器对样品进行分类.
主要成果:
- 拟议的微调系统在10,000个样本的数据集上实现了98.7%的高准确率.
- 优化的多式联网方式显著优于现有的最先进的网络模型.
- 该系统在区分COVID-19阳性和阴性病例方面表现出卓越的表现.
结论:
- 开发的系统为COVID-19诊断提供了一个高度准确和高效的方法.
- 多模式数据融合与优化技术相结合,可提高疾病检测的深度学习模型性能.
- 这种方法有望改善COVID-19的早期检测和管理.
