GM-CBAM-ResNet:一个轻量级的深度学习网络用于诊断COVID-19
Junjiang Zhu1, Yihui Zhang1, Cheng Ma1
1College of Mechanical and Electrical Engineering, China Jiliang University, Hangzhou 310018, China.
Journal of imaging
|March 26, 2025
概括
一个新的深度学习模型,GM-CBAM-ResNet,使用心电图 (ECG) 图像准确诊断COVID-19. 这种轻量级网络为快速检测COVID-19提供了更高的准确性和更低的复杂性,证明了显著的实际价值.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- COVID-19对健康构成重大风险,包括潜在的心脏损伤.
- 电心电图 (ECG) 是一种具有成本效益的,非侵入性的工具,用于评估心脏健康.
研究的目的:
- 开发一种轻量级的深度学习模型,用于使用心电图像诊断COVID-19.
- 评估与现有方法对拟议模型的性能,复杂性和可解释性.
主要方法:
- 提出了一个新的轻量级深度学习网络,GM-CBAM-ResNet,将幽灵模块 (GM) 和卷积区注意模块 (CBAM) 集成到ResNet中.
- 使用"心脏和COVID-19患者的ECG图像数据集"将GM-CBAM-ResNet与ResNet,GM-ResNet和CBAM-ResNet进行比较.
- 通过使用梯度加权类激活映射 (Grad-CAM) 来通过参数数量和可解释性来评估模型复杂性.
主要成果:
- 与ResNet19.19相比,GM-CBAM-ResNet19的模型参数减少了45.4%,而ResNet19的模型参数则减少了45.4%.
- 实现了比ResNet19大约5%更高的诊断准确度,并降低了模型复杂性.
- 解释性分析证实了CBAM减轻背景干扰的能力,提高了诊断准确度.
结论:
- GM-CBAM-ResNet提供了一种轻量级且准确的解决方案,用于从心电图片中诊断COVID-19.
- 该模型证明了在临床环境中快速有效地部署的实际价值.
- 整合GM和CBAM模块可以提高医疗图像分析的深度学习模型性能.
