高精度轻量级网络模型用于X射线图像诊断:COVID检测的案例研究
Shujuan Wang1, Jialin Ren1, Xiaoli Guo1
1College of Mathematics and Information Science, Zhengzhou University of Light Industry, Zhengzhou, China.
PloS one
|June 18, 2024
概括
这项研究开发了一种用于COVID-19诊断的轻量级深度学习模型,在显著减少参数的情况下达到98.71%的准确性. 这种高效的方法提高了诊断能力,特别是在资源有限的医疗保健机构.
科学领域:
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
- 计算机科学 计算机科学
背景情况:
- 由于COVID-19的流行,需要快速准确的诊断工具.
- 现有的深度学习模型往往受到很大的参数数量的影响,这限制了它们的实际应用.
- 需要具有较低计算要求的高精度诊断模型.
研究的目的:
- 为COVID-19诊断开发一种轻量级和准确的深度学习模型.
- 解决现有模型的局限性,包括大参数大小和低于最佳准确度.
- 创建一个适合资源有限环境的诊断解决方案.
主要方法:
- 使用MobileNetV3架构作为基础网络.
- 集成的密集块用于增强空间特征提取.
- 实现过渡层,标签光滑损失,类权重和修剪技术.
- 优化模型以减少参数数量和提高分类准确性.
主要成果:
- 在一个开放访问数据集上实现了98.71%的诊断准确率.
- 该模型仅使用59.4万个参数,比以前的方法减少了24倍.
- 与现有方法相比,证明了5.41%的最大精度改进.
- 成功地降低了模型复杂度,同时保持了高性能.
结论:
- 开发的轻量级深度学习模型为COVID-19诊断提供了高度准确和高效的解决方案.
- 该模型的参数数量减少使其适合在医疗资源有限的地区部署.
- 这种方法代表了可访问和可靠的传染病诊断的重大进步.
