深度学习辅助COVID-19检测使用全面CT扫描
Varan Singh Rohila1, Nitin Gupta1, Amit Kaul1
1National Institute of Technology Hamirpur, India.
Internet of things (Amsterdam, Netherlands)
|April 15, 2024
概括
这项研究介绍了ReCOV-101,这是一个深度学习模型,用于从CT扫描中自动诊断COVID-19. 这种高效的模型达到94.9%的准确性,为快速的医学成像分析提供了不那么硬件密集的解决方案.
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:
- 随着COVID-19的爆发,人们越来越需要高效,准确的诊断工具.
- 目前的医疗机构在处理大规模的诊断需求时面临限制.
- 自动诊断系统对于提高医疗保健的速度,准确性和可访问性至关重要.
研究的目的:
- 通过CT扫描提出和评估用于COVID-19检测的自动化深度学习模型.
- 开发一个计算效率高的模型,适合在边缘设备上部署.
- 为了从胸部CT图像中识别COVID-19感染,实现高精度.
主要方法:
- 使用基于残余网络 (ReCOV-101) 的深度学习技术,并跳过连接.
- 预处理的胸部CT扫描使用细分和插值来提高检测准确度.
- 在单个企业级GPU上训练模型,以减少计算要求.
主要成果:
- 在检测COVID-19感染时,ReCOV-101模型实现了94.9%的准确性.
- 该模型在降低硬件强度的情况下表现出色.
- 该方法允许与医疗设备进行潜在的整合,以简化检查.
结论:
- 拟议的ReCOV-101模型提供了一种有效和高效的自动化解决方案,用于从CT扫描中诊断COVID-19.
- 该模型的低硬件要求促进了边缘部署,减少了云计算的依赖.
- 这项研究有助于在流行病情景中推进医学成像分析和诊断能力.
