增强InceptionResNet从医疗图像中诊断COVID-19的功能
Shadi Aljawarneh1, Indrakshi Ray2
1Computer Information Systems Department, Jordan University of Science and Technology, Irbid, Jordan.
Current medicinal chemistry
|July 30, 2025
概括
一个改进的深度学习模型,Enhanced InceptionResNet,与标准模型相比,通过X射线显示出优异的COVID-19诊断. 它实现了更高的准确性,精度和灵敏度,为医学图像分类提供了一个有前途的工具.
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:
- 目前使用X射线的COVID-19诊断模型往往忽略了关键的性能指标.
- 精度,灵敏度,特异性,F1得分和ROC-AUC等关键参数对于准确的模型评估至关重要.
- 拟议的Enhanced InceptionResNet旨在通过结合先进的深度学习技术来解决这些局限性.
研究的目的:
- 开发和评估使用胸部X射线图像进行COVID-19诊断的改进深度学习模型.
- 将增强的InceptionResNet与传统的ResNet和InceptionResNet模型的性能进行比较.
- 通过使用超出简单准确性的综合性绩效指标来评估模型的有效性.
主要方法:
- 我们使用了三个深度学习模型:ResNet,InceptionResNet,以及新的增强的InceptionResNet.Net.
- 这些模型在2600张胸部X射线图像的平衡数据集上进行了训练和验证.
- 性能评估包括准确性,损失,混矩阵分析,精度,回忆,F1得分和ROC-AUC.
主要成果:
- 增强的InceptionResNet在所有评估指标上显著超过了ResNet和InceptionResNet.
- 实现了高的验证和测试准确性 (分别为99.0%和98.35%),表现出强大的性能.
- 展示了卓越的特征提取能力,导致更可靠的COVID-19识别.
结论:
- 增强的InceptionResNet是高效的COVID-19诊断从胸部X射线,优于现有的模型.
- 该模型对更广泛的医疗图像分类任务具有显著的前景.
- 未来的研究应该专注于更大的数据集和超参数优化,以进一步提高性能.
