基于光的实时COVID-19诊断使用轻量级深度学习系统
Hui-Jae Bae1, Jongweon Kim1, Daesik Jeong2
1Department of Computer Science, Sangmyung University, Seoul 03016, Republic of Korea.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
这项研究介绍了一种轻量级的深度学习模型,用于使用光图像快速诊断COVID-19. 优化的模型实现了边缘设备的实时检测,克服了传统成像方法的局限性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 使用CT/X射线图像进行COVID-19诊断的深度学习模型面临成本,时间和辐射限制.
- 实时COVID-19诊断需要适合嵌入式系统的轻量级深度学习模型.
研究的目的:
- 提出和验证一个轻量级的深度学习模型用于COVID-19诊断,使用光图像.
- 为了证明该模型在低功耗边缘设备上实时诊断的可行性.
主要方法:
- 光图像进行了预处理 (灰度,CLAHE,Z-Score正常化),以解决数据不平衡的问题.
- 基于初始准确度选择ResNet152和VGG13架构,然后使用层级重要性计算进行修剪.
- 通过修剪不那么重要的层来减少尺寸和参数来实现模型轻量化.
主要成果:
- 修剪后的VGG13保持了准确性,大小减少了18.9 MB,参数减少了4.2 M.
- 修剪后的ResNet152提高了精度1%,大小减少了161.5MB,参数减少了40.22M.
- 优化的模型在NPU上实现了7.69 FPS,证明了实时诊断能力.
结论:
- 轻量级的深度学习模型可以在资源有限的边缘设备上实现实时COVID-19诊断.
- 光成像与优化深度学习相结合,为传统方法提供了可行的替代方案.


