新冠肺炎 CT 与 X-ray 影像分类中深度学习架构的全面比较
计算机视觉与模式识别
2026-05-21 v1 人工智能
摘要
新冠肺炎是一个重大的挑战，导致每日丧生众多。不仅某一国家受影响，甚至整个世界都因冠状病毒受到了严重冲击。在肺部的 CT 和 X-ray 成像技术是筛查新冠或其他任何流行病疾病最有用的工具。当今技术通过人工智能取代手动流程，实现自动化机器，从而使系统能够基于经验做出明智决策。受此动力，我们的工作提议使用基于卷积神经网络 (CNN) 的模型设计一种计算机辅助诊断 (CAD) 系统，用于区分新冠肺炎和健康肺部图像。我们使用两种不同的 X-ray 肺部图像集合，以及两种不同的 CT 扫描集合进行分类，使用各种预训练网络如 VGG（16、19）、Densenet（121）、Resnet（50、50 V2、101 V2）、Mobile net（V2）、Xception Inception（V3、Resnet V2）、Efficient net（B0）和 Nasnet（Large）。在 X-ray 和 CT 图像数据集上，Resnet 和 VGG 架构表现出在 95% 到 98% 精度下正确区分新冠和正常图像的能力。我们的分类数据集结果在文献中以竞争性且优于先前报告的发现。
引用
@article{arxiv.2605.20445,
title = {A Comprehensive Comparison of Deep Learning Architectures for COVID-19 Classification on CT & X-ray Imagery},
author = {Sarmad Khan and Arslan Shaukat and Umer Asgher and Basim Azam},
journal= {arXiv preprint arXiv:2605.20445},
year = {2026}
}
备注
6 pages, 2 figures, 5 tables