面向CXR图像新冠肺炎识别的特征级集成模型：基于Choquet积分和差分进化优化
摘要
新冠疫情深刻影响了全球数十亿人，挑战了公共卫生和医疗系统 due to its rapid spread and severe respiratory effects。有效的缓解新冠疫情的策略是整合检测以识别感染个体。虽然RT-PCR被认为是诊断新冠的金标准，但存在 some limitations such as the risk of false negatives。为此，本文引入一种 novel Deep Learning Diagnosis System，将 pre-trained Deep Convolutional Neural Networks (DCNNs) 集成到集成学习框架中，以实现从胸部X光 (CXR) 图像中精准识别新冠病例。我们使用 Choquet integral 结合来自 pre-trained DCNNs 最终隐藏层的特征向量，以捕获不同 DCNNs 之间的相互作用，这种相互作用是线性方法无法捕获的。我们采用 Sugeno- measure theory 从而派生 fuzzy measures for subsets of networks to enable aggregation。我们利用 Differential Evolution 来估计 fuzzy densities。我们开发了一个基于 TensorFlow 的 Choquet operation 层，以便于高效聚合， due to the intricacies involved in aggregating feature vectors。在 COVIDx 数据集上的实验结果表明，我们的集成模型在三分类中达到了 98% 的准确率，在二分类中达到了 99.50%，超越了其组成部分-DenseNet-201 (三分类 97%，二分类 98.75%)、Inception-v3 (三分类 96.25%，二分类 98.50%) 和 Xception (三分类 94.50%，二分类 98%)，并超过了许多先前方法。
引用
@article{arxiv.2501.08241,
title = {A Feature-Level Ensemble Model for COVID-19 Identification in CXR Images using Choquet Integral and Differential Evolution Optimization},
author = {Amir Reza Takhsha and Maryam Rastgarpour and Mozhgan Naderi},
journal= {arXiv preprint arXiv:2501.08241},
year = {2025}
}