一种混合起始扩展的ResNet架构,用于基于深度学习的COVID-19严重性预测
Ali Khalili Fakhrabadi1, Mehdi Jafari Shahbazzadeh2, Nazanin Jalali3,4
1Department of Electrical Engineering, Kerman Branch, Islamic Azad University, Kerman, Iran.
Scientific reports
|February 22, 2025
概括
深度学习 (DL) 模型,特别是扩展残余网络 (dResNet),通过胸部CT扫描准确评估COVID-19的严重程度. 这种人工智能方法在分类肺部参与方面达到96.40%的准确性,有助于临床决策.
科学领域:
- 医疗成像中的人工智能
- 放射学和诊断成像 放射学和诊断成像
- 传染病诊断 传染病诊断 传染病诊断
背景情况:
- 胸部计算机断层扫描 (CT) 扫描对于评估新型冠状病毒 (COVID-19) 严重程度和指导治疗至关重要.
- 从CT扫描中准确评估COVID-19的严重程度,传统上需要显著的放射科医生专业知识.
- 需要自动化,客观的方法来评估COVID-19患者的肺部参与.
研究的目的:
- 引入一种新的深度学习 (DL) 方法,使用肺部CT图像来评估COVID-19的严重程度.
- 评估初始-残留网络 (Inception-ResNet) 的有效性,使用扩展的机制来分类肺部参与.
- 开发一个用于区分COVID-19严重程度的自动化系统.
主要方法:
- 使用了Inception-Residual网络 (Inception-ResNet),用于从CT扫描中提取特征.
- 在1548张注释的人胸部CT扫描数据集上训练模型.
- 量化肺部参与百分比,以确定十个不同级别的疾病严重程度.
主要成果:
- 与非扩展模型相比,扩展残余网络 (dResNet) 在图像分类方面表现优越.
- 混合DL方法在区分10个COVID-19严重程度水平时达到96.40%的最大精度.
- 该系统有效评估了COVID-19患者肺部症状的严重程度.
结论:
- 深度学习,特别是dResNet,通过CT成像提供了一种先进和有效的方法来评估COVID-19的严重程度.
- 这种由人工智能驱动的系统可以作为一个有价值的诊断框架,用于评估肺部参与和跟踪疾病进展.
- 开发的方法增强了诊断能力,可能减少对严重程度分级的广泛放射科医生解释的依赖.
