没有合适的资源?快使用搜索试试~ 我知道了~
首页智能系统助力:COVID-19胸片检测的高效多模态方法
本文主要探讨了智能系统在COVID-19胸部X光图像分析中的关键应用,特别是在提高疾病检测准确性和效率方面的进展。研究者提出了一种多模态方法,名为"CovidScanner",它结合了骨抑制、肺分割和深度学习技术,旨在设计出一款自动、精确且智能的辅助系统,用于区分COVID-19、非COVID病毒性肺炎和细菌性肺炎。 研究团队在Manipal University斋浦尔和意大利卡拉布里亚大学等机构合作,开发了一项名为"COVID-肺炎CXR"的数据集,这是专门用于训练和评估系统性能的基础。他们的深度学习模型——EXP-Net,在验证数据集上的AUC达到了96.58%,在测试数据集上的表现同样优秀,为96.48%。这显示了模型在识别和区分COVID-19特征方面的高度效能。 文章强调了模型的通用性和有效性,通过可视化特征热图,放射学专家对系统的可靠性进行了验证。研究还通过与现有最先进的模型进行比较,证实了新系统在区分COVID-19与非COVID病毒性肺炎时具有更强的区分能力,尤其是在图像相似度高的情况下。 CovidScanner系统的开发不仅提升了诊断速度,而且其版权受专利保护,显示出创新者对于知识产权的重视。论文作者将模型的代码开源,以便其他研究者可以进一步研究或应用。这一研究对于在全球范围内应对COVID-19的大流行具有实际意义,有助于减少医疗工作者的工作负担,提高诊断准确率,从而更好地管理这场公共卫生危机。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/88693222/bg3.jpg)
G. Rani
,
A. Misra
,
V.S. Dhaka
等
人
智能系统与应用
16
(
2022
)
200148
3
它在COVID-19的初步筛查中是有效的。因此,它减少了人工检查胸部X
射线的数量。但是,该模型无法区分COVID-19与非COVID病毒性肺炎
和细菌性肺炎。
Zhong等人(2021)提出了一种基于深度度量学习的模型,该模型
使用由具有相同标签的图像集合创建的优化嵌入空间来执行此任务。首
先,他们应用了预处理技术,如匿名化,图像裁剪,缩放,窗口化和肺
部分割。然后,他们应用一个预先训练的模型进行特征提取。这些特征
与来自实验室测试的信息以及COVID-19患者的病史相结合,用于决
策。作者报告了COVID-19类别检测然而,作者使用从各种网站收集的
CXR准备了训练数据集,并由两名高级放射科医生进行了验证,但类别
不平衡的问题仍未得到解决。此外,
256×256
的图像尺寸可能导致
CXR
的特征丢失。根据
(
Rajpurkar
等人,
2017
年),建议
512×512
为最合适的直径。
医学图像的修正。
Jain
等人(
2021
)对
Xception
、
Inception V3
和
ResNet
模型的性能
进 行 了 比 较 。 他 们 在 5,467 张 胸部 X光 图像 上 训练 了 这 些 作 者 声 称
Xception
模型优于上述所有三种模型。其将胸部
X
光片分类为健康及
COVID-19
的最高准确率达
97. 97%
作者应用旋转、缩放和剪切来进行数
据扩充。但是,旋转改变了胸部X光片中心脏的方向,这可能会导致模
型 根据错误的特征做出决定
Minaee
等人(
2020
)使用了类似的增
强技术来比较ResNet 18、ResNet 50、SqueezeNet和DenseNet-121在从
CXR
检测
COVID-19
方面在这两篇论文中,作者没有关注胸部
X
线片不
同分量之间的空间关系。这降低了模型的可靠性。
另一组研究人员Sekeroglu和Ozsahin(2020)比较了非预训练CNN
模型、
ML
模型和预训练
CNN
模型在
COVID-19
检测中的性能。他们使用
了八重交叉验证,并报告了将CXR二进制分类为正常和COVID-19的平
均准确度为
98.50%
。他们还计算出宏观平均
F1
得分为
94.10%
,用于将
样本分为三类,即COVID-19,肺炎和正常。作者声称,没有预处理的
浅层CNN模型在从小而不平衡的数据集中检测COVID-19方面是有效
的。作者还声称,降低图像的维数会降低
CNN
模型的效率。
一组研究人员,阿巴斯等人。(2021)提出了一种基于DL的自监督
模型,该模型将伪标签分配给CXR的未标记数据集。该模型提取视觉特
征,并应用DBSCAN聚类算法对提取的特征进行聚类。基于这些特征,
标签被分配给每个簇。为了进一步优化集群, 作者使用k-最近邻
(
kNN
)算法。现在,他们使用迁移学习来更好地识别图像作者报告了
包含529张胸部X射线图像的测试数据集的准确率为97.54%,283份
COVID-19
样本的准确率为
99.8%
。实验结果表明,该模型是有效的检测
COVID-19使用胸片,即使是一个小的标记数据集是可用的。然而,他
们的系统未能解决非
COVID
病毒性肺炎和细菌性肺炎之间的类干扰。
Afshar
等人(
2020
年)扩展了
CNN
模型的适用性,并提出了一种胶
囊网络,用于使用胸部X线片对正常、细菌性肺炎、非COVID病毒性肺
炎和COVID-19感染进行该模型捕捉了不同样本图像和图像中包含的多
个对象之间的空间关系。这提高了模型的鲁棒性。该模型在识别模式和
对象方面变得有效,即使在对胸部
X
射线照片进行缩放或旋转之后。他
们在
NIH
数据集上预训练了他们的模型(
Ra-jpurkar
等人,
2017
),包
含五个类别的胸部X光片,没有
发现、肿瘤、胸膜疾病、肺部感染和其他疾病(Af shar等人,2020
年)。作者声称,即使训练数据集很小,他们的网络也同样有效。该模
型的准确率达到
98.3%
。类似地,
Mangal et al.
(
2020
)提出了
CNN
模
型他们的模型包括预先训练的
CheXNet
(
Rajpurkar
等人,
2017
)模型
和密集卷积网络(DenseNet)(Nguyen et al.,2020),其进一步连
接到完全连接层。他们分别在1,341; 2,530; 1,337;和115个正常,细
菌性肺炎,病毒性肺炎和COVID-19类样本上训练了他们的模型。作者
在(Mangal等人,2020)通过使用加权二进制交叉熵损失函数解决了
类不平衡的问题。其中总损失计算为每个类别成本的加权和。每个类的
成本乘以一个唯一的标量值,根据每个类中训练样本的数量,为每个类
他们还使用显着图可视化了这些特征。他们的模型给出了90.5%的准确
率。
Loey et al.(2020)扩大了COVID-19检测系统的范围。他们提出了
基于分类和回归的双重方法,预测患者到达疾病严重阶段的估计时间。
作者报告了测试数据集的准确率为85.91%。但是,该数据集在总共408
个可训练样本中仅包含86个严重感染患者的样本。这可能会造成阶级不
平衡的问题。 此外,作者没有确定 用于决定疾病的非严重、轻度和
严重阶段的阈值。此外,
Greenspan
等人(
2020
)讨论了人工智能技术
在早期疾病检测、资源管理和开发患者特异性诊断模型中的作用。基于
对相关文献的回顾,作者声称基于人工智能的工具可用于诊断COVID-
19。但是,有一个迫切的要求,以解决收集一个巨大的和标记的数据集
的挑战。特别是对于COVID-19,病毒正在改变其形式或出乎意料地改
变,传播速度非常快。作者建议开发的工具不仅可以处理成像数据,还
可以考虑患者水平的临床信息进行决策。
另一个研究小组Michael Roberts等人(2021)提出了一项关于ML和
DL
技 术 的 综 述 , 该 技 术 建 议 使 用
CT
扫 描 和 胸 部
X
射 线 图 像 检 测
COVID
。他们声称,大多数研究人员将胸部
X
光片分为
COVID
和正常类
别,或分为COVID、肺炎和正常的三元分类仅在2篇研究文献中,胸片
分为4类,即COVID、细菌性肺炎、病毒性肺炎和正常。根据审查,他
们还声称,缺乏外部验证,鲁棒性,或敏感性分析的建议模型。此外,
很少注意数据集的准备。到目前为止,可用的数据集包括完整的胸部X
光片,而不是骨抑制和肺部分割图像。此外,缺乏放射学专家对数据集
和
DL
模型这对于在医疗保健中实际实施该模型是非常此外,还有提高分
类准确性和减少训练和响应时间的空间。此外,需要关注预测中涉及的
特征的可视化。这有助于使临床医生相信预测模型的可靠性。
3.
材料和方法
在本节中,我们将讨论数据集的准备、处理和拆分,用于预处理准
备好的数据集的模型架构,以及多类分类。接下来,我们介绍了所提出
的模型的训练细节。所提出的方法的概述如图所示。1.
剩余14页未读,继续阅读
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![r](https://img-home.csdnimg.cn/images/20210720083646.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
最新资源
- 岩石滑动与断层冲击地压:声发射特征分析
- 新时代煤炭工业八大战略新取向剖析
- 开采强度对华亭矿区冲击地压危险性的影响分析
- 新安煤矿探采对比:影响安全生产的关键因素与技术支撑
- 210MW循环流化床锅炉引风机变频改造优化与节能效果
- 浅埋煤层开采沉陷预测:方法应用与影响分析
- 优化巷道过陷落柱支护方案:数值模拟与现场试验
- 坚硬顶板定向断裂爆破技术:安全高效采煤新方案
- 北航2019算法课作业解析:投资策略与凸子多边形优化
- 断层破碎带垮冒下堆积体边界抗力分布关键影响因素
- 哈拉沟选煤厂优化末煤系统提高效率与处理能力
- 瓦斯涌出影响下采动煤体蠕变失稳研究
- 提升煤矿装载效率的可控箕斗定量装载设备设计
- 水分调控下烟煤瓦斯吸附特性对比研究
- 重介质悬浮液密度控制硬件设计与选型探讨
- 坚硬顶板巷道支护参数设计:现场测试与数值分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)