FACNN:基于模糊的自适应卷积神经网络用于在杂的CXR图像中对COVID-19进行分类
Suganyadevi S1, Seethalakshmi V2
1Department of ECE, KPR Institute of Engineering and Technology, Coimbatore, 641 407, India. suganya3223@gmail.com.
Medical & biological engineering & computing
|May 6, 2024
概括
一个新的基于模糊的自适应卷积神经网络 (FACNN) 改进了从胸部X射线检测COVID-19的检测. 这种人工智能模型提高了准确性,减少了假阳性,有助于更快,更精确的诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 胸部X射线 (CXR) 对于早期COVID-19诊断至关重要.
- 计算机和智能算法提高了基于CXR的检测精度.
研究的目的:
- 提出一个基于模糊的自适应卷积神经网络 (FACNN) 模型.
- 提高COVID-19检测精度,减少CXR分析中的错误率.
主要方法:
- 用一个模糊的过程来提取特征和像素分类 (标记与未知).
- 基于高精度特征来检测和抑制错误率的衍生会员功能.
- 采用基于特征可用性的卷积神经网络的循环训练,使用模糊导数进行验证.
主要成果:
- FACNN模型显示了显著的改进:准确度 (+14.36%),精度 (+8.74%) 和特征提取 (+12.35%).
- 错误检测率减少10.35%,提取时间减少10.66%.
结论:
- 拟议的FACNN模型为使用胸部X射线检测COVID-19提供了更高的准确性和效率.
- 这种人工智能驱动的方法有效地抑制了错误率,并提高了诊断精度.


