相关实验视频

Updated: Jan 13, 2026

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

通过混合深度转移学习模型增强X射线图像的COVID-19分类

Maliki Moustapha¹, Murat Tasyurek², Celal Ozturk³

¹Graduate School of Applied Science and Technology, Department of Computer Engineering, Erciyes University, Kayseri, Türkiye.

Frontiers in artificial intelligence

|October 29, 2025

概括

这项研究引入了一种新的深度转移学习框架,用于准确的COVID-19X射线分类. 通过遗传算法优化的ResNet18实现了99.57%的准确性,提供了一个强大的诊断工具.

科学领域:

人工智能的人工智能
医学成像分析医学成像分析
深度学习 (Deep Learning) 是一种深度学习.

背景情况:

深度学习和深度转移学习 (DTL) 在医疗图像分析方面表现有前途.
现有的DTL方法已经应用于COVID-19的检测和分类.

研究的目的:

为分类COVID-19X射线图像提出一个替代的DTL框架.
评估各种预训练模型 (AlexNet,EfficientNetB1,ResNet18,VGG16) 和YOLOV4用于COVID-19特征检测的性能.
研究三个超参数优化策略:手动选择,k-fold重新训练和遗传算法 (GA) 优化.

主要方法:

为DTL实施了三个不同的实验过程:手动超参数调整,k-fold交叉验证和基于GA的超参数优化.
使用了包括AlexNet,EfficientNetB1,ResNet18和VGG16在内的预训练模型,并探索了YOLOV4用于特征检测.
在大型Kaggle数据集 (>5,000个样本) 和单独的公共数据集上测试了框架,包括模拟的对抗性攻击.

主要成果:

具有GA优化的超参数的ResNet18在COVID-19X射线分类中表现出卓越的性能.
拟议的框架实现了高精度 (99.57%),F1得分 (99.50%),精度 (99.44%) 和平均AUC (99.89%).
该模型被证明是强大的和可靠的对模拟的敌对攻击.

结论:

开发的DTL框架是COVID-19X射线图像分类的高效和前沿解决方案.
该框架有可能通过Web应用程序进行自动预测,帮助远程诊断和医疗培训.
这种方法具有很大的潜力,可以在资源稀缺的地区补充成像诊断,并协助培训医疗保健专业人员.

关键词:

人工智能的人工智能是人工智能.深度转移学习是指深度转移学习.遗传算法是一种遗传算法.图像的分类图像的分类.在k-fold上进行折叠.

相关概念视频

X-ray Imaging

X-ray Imaging

German physicist Wilhelm Röntgen (1845–1923) was experimenting with electrical current when he discovered that a mysterious and invisible "ray" would pass through his flesh but leave an outline of his bones on a screen coated with a metal compound. In 1895, Röntgen made the first durable record of the internal parts of a living human: an "X-ray" image (as it came to be called) of his wife’s hand. Scientists worldwide quickly began their own experiments with...