一个多尺度的CNN与的空间金字塔聚合,用于增强基于胸部的疾病检测
Muhammad Abdullah Shah Bukhari1, Faisal Bukhari2, Muhammad Asif3
1Department of Computer Science, University of the Punjab, Lahore, Pakistan.
PeerJ. Computer science
|March 10, 2025
概括
这项研究使用增强的卷积神经网络为早期COVID-19和肺炎检测提供了一个深度学习模型. 该模型在从X射线图像中识别这些胸部状况时达到很高的准确性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 早期发现COVID-19和肺炎对于有效治疗至关重要.
- 胸部X射线分析是一种常见的诊断工具,但准确性可能有所不同.
- 现有的深度学习模型可能难以捕捉X射线图像中的各种特征.
研究的目的:
- 开发和评估一种用于早期检测COVID-19和肺炎的新型深度学习模型.
- 增强模型的特征提取能力,以提高诊断准确度.
- 根据现有的最先进的方法验证模型的性能.
主要方法:
- 一个卷积神经网络 (CNN) 集成与心脏空间金字塔聚合 (ASPP) 的开发.
- 使用转移学习和数据增强技术来优化性能和解决数据稀缺问题.
- 该模型的多分支架构是为了适应性疾病预测而设计的.
主要成果:
- 通过ASPP增强的CNN实现了COVID-19检测的98.66%的验证准确率.
- 该模型在肺炎检测方面实现了83.75%的验证准确性.
- 性能指标包括准确性,精度,F1分数,回忆,特异性和AUC超越了其他最先进的方法.
结论:
- 开发的深度学习模型在早期检测COVID-19和肺炎方面表现出高准确性和稳定性.
- 整合ASPP和转移学习显著改善了胸部X射线图像的诊断性能.
- 这种方法有可能使呼吸系统疾病的临床诊断更快,更可靠.
