注意力机制和混合数据增强用于COVID-19的分类 计算机断层扫描图像图像
Özgür Özdemir1, Elena Battini Sönmez1
1Computer Engineering Department, Istanbul Bilgi University, Turkey.
概括
本研究介绍了一种基于注意力的深度学习模型,用于使用CT扫描进行COVID-19诊断. 改进后的模型实现了最先进的95.57%的准确性,改进了现有的方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 冠状病毒疾病 (COVID-19) 在全球迅速蔓延,需要先进的诊断工具.
- 深度学习,特别是卷积神经网络 (CNN),显示出从CT图像自动化COVID-19分类的希望.
研究的目的:
- 开发和评估基于注意力的深度学习模型,以在CT图像中增强COVID-19检测.
- 提高CNN用于医学图像分析的特征特征提取能力.
主要方法:
- 在ResNet50架构中集成的功能智能关注层的实现.
- 应用混合数据增强技术来提高模型性能.
- 对堆叠注意力网络和基线CNN进行比较分析.
主要成果:
- 提出的基于注意力的模型显著超过了堆叠的注意力变体和基线CNN.
- 具有功能智能的注意层的ResNet50架构实现了95.57%的准确性.
- 混合数据增强进一步提高了原始网络的性能.
结论:
- 根据特征的注意层增强了CNN在COVID-19CT图像分类中的辨别能力.
- 开发的模型在COVID-CT数据集上设置了一个新的最先进的性能.
- 这种方法为COVID-19提供了一个有前途的计算机辅助诊断系统.


