EffiCOVID-net:一个高效的卷积神经网络用于COVID-19诊断,使用胸部X射线成像
Sunil Kumar1, Biswajit Bhowmik1
1Maharshi Patanjali CPS Lab, BRICS Laboratory, Department of Computer Science and Engineering, National Institute of Technology Karnataka, Mangalore 575025, Karnataka, India.
Methods (San Diego, Calif.)
|April 19, 2025
概括
一个新的深度学习模型,EffiCOVID-Net,通过胸部X射线准确检测COVID-19. 这种高效的卷积神经网络有助于早期诊断,为资源有限的设置提供高精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 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,特别是呼吸道疾病.
- 胸部X射线分析对于区分COVID-19和其他疾病至关重要.
- 深度学习模型在医学图像诊断方面表现有前途,但通常面临计算强度和有限数据的挑战.
研究的目的:
- 开发和评估一个高效的深度学习模型,EffiCOVID-Net,用于从胸部X射线图像中准确检测COVID-19.
- 解决现有模型的局限性,例如计算开销和无法捕捉多尺度特征.
主要方法:
- 提出了EffiCOVID-Net,一个卷积神经网络 (CNN),利用不同的特征学习单元和EffiCOVID块中的反复连接.
- 使用 (3x3) 卷积过器来提取复杂的特征,同时保持空间完整性.
- 在两个公共COVID-19胸部X射线数据集上评估模型性能,使用标准指标和Grad-CAM进行可视化.
主要成果:
- EffiCOVID-Net在多类分类中实现了高准确性 (COVID-19与正常与正常与正常). 肺炎: 98.68% (D1), 98.55% (D2), 98.87% (DMix) 的患者患有这种疾病.
- 在二进制分类 (COVID-19与正常) 中获得了卓越的准确性:99.06% (D1),99.78% (D2),99.07% (DMix).
- 与现有方法相比,证明了卓越的准确性,效率和稳定性,并通过Grad-CAM增强了可解释性.
结论:
- EffiCOVID-Net是一个高效和准确的深度学习模型,用于通过胸部X射线检测COVID-19.
- 它的轻量级架构使其适用于资源有限的临床环境.
- 该模型作为一种有价值的辅助工具,增强诊断工作流程,但不应取代临床判断.
