基于自适应Mish激活和巡逻优化器的SEA-ResNet50模型与可解释的AI用于COVID-19胸部X射线图像的多类分类
S R Sannasi Chakravarthy1, N Bharanidharan2, C Vinothini3
1Department of Electronics and Communication Engineering, Bannari Amman Institute of Technology, Sathyamangalam, India.
BMC medical imaging
|August 9, 2024
概括
一个新的AI模型,SEA-ResNet50,通过胸部X射线精确检测COVID-19. 这种自动化系统改进了现有方法,为疾病诊断提供了高精度,并提高了临床治疗效率.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 计算机视觉用于疾病检测检测.
背景情况:
- 从医学图像中检测COVID-19具有挑战,原因是类似的胸部异常.
- 自动化系统对于高效准确的临床诊断至关重要.
- 现有的深度学习模型需要增强,以改善COVID-19检测.
研究的目的:
- 提出一个先进的深度学习模型,SEA-ResNet50,用于使用胸部X射线图像自动检测COVID-19.
- 通过Squeeze-and-Excitation关注,Ranger优化器和自适应Mish激活来增强ResNet50架构.
- 评估模型的性能与已建立的卷积神经网络 (CNN) 架构相比.
主要方法:
- 基于挤压和激发注意力的ResNet50 (SEA-ResNet50) 模型的开发.
- 利用两个公共的COVID-19放射数据集与数据增强.
- 对VGG-16,Xception,ResNet18,ResNet50和DenseNet121架构进行了比较分析.
- 使用可解释的人工智能 (XAI) 来实现结果可视化.
主要成果:
- SEA-ResNet50实现了98.38% (多类) 和99.29% (二进制分类) 的最大分类准确度.
- 该模型获得了最高的卡帕验证分数:0.975 (多类) 和0.98 (二进制分类).
- 来自XAI的 Saliency 地图提高了疾病诊断的解释性.
结论:
- 拟议的SEA-ResNet50模型在通过胸部X射线检测COVID-19方面表现出卓越的性能.
- 注意力机制和高级优化器的整合显著改善了特征学习和诊断准确度.
- 开发的框架为在临床环境中自动检测疾病提供了强大的和可解释的解决方案.
