新冠肺炎检测的一种混合方法：结合Wasserstein GAN与迁移学习
图像与视频处理
2024-11-19 v2 计算机视觉与模式识别
摘要
COVID-19具有极强的传染性，其快速增长引起了人们对早期诊断的关注。COVID-19的早期诊断使医疗专业人员和政府当局能够阻断传播链并压平流行病曲线。随着确诊病例在发达国家加速增长，COVID-19引发的病毒性肺炎病例是一个重大挑战。COVID-19病例与病毒性肺炎及其他肺部感染的重叠，加上有限的数据集和漫长的训练时间，是一个亟待解决的严重问题。有限的数据往往导致模型过拟合，因此模型无法预测泛化结果。为了填补这一空白，我们提出了一种基于GAN的方法，用于合成图像，然后将其输入深度学习模型以分类COVID-19、正常和病毒性肺炎的图像。具体而言，提出了一种定制的Wasserstein GAN，用于生成比真实图像多19%的胸部X光图像。这个扩展的数据集随后用于训练四种提出的深度学习模型：VGG-16、ResNet-50、GoogLeNet和MNAST。结果表明，扩展的数据集使深度学习模型能够实现高分类准确率。特别是，VGG-16在所有四种方案中取得了最高的99.17%准确率。其他模型如ResNet-50、GoogLeNet和MNAST分别实现了93.9%、94.49%和97.75%的测试准确率。随后，我们根据准确率将这些模型的效率与最先进的模型进行了比较。此外，我们提出的模型可以应用于解决任何图像分析问题中数据稀缺的问题。
引用
@article{arxiv.2411.06397,
title = {A Hybrid Approach for COVID-19 Detection: Combining Wasserstein GAN with Transfer Learning},
author = {Sumera Rounaq and Shahid Munir Shah and Mahmoud Aljawarneh},
journal= {arXiv preprint arXiv:2411.06397},
year = {2024}
}