一种改进的 CovidConvLSTM 模型用于肺炎-COVID-19 检测与分类
图像与视频处理
2024-08-22 v1
摘要
近期，COVID-19 大流行迅速演变为一场关键的全球公共卫生危机，深刻影响了日常生活。因此，计算机辅助诊断（CAD）系统因其强大的计算能力而受到广泛关注，有助于快速分析和解读医学影像。特别是，深度学习（DL）技术已成为协助放射科医生和肺科医生区分 COVID-19 患者与其他肺炎类型及健康病例的关键工具。不幸的是，现有的 DL 技术面临若干挑战，如过拟合、性能退化、特征无关性与冗余性、梯度消失问题以及高计算复杂度。本文通过引入一种增强的卷积神经网络算法来应对这些挑战，该算法结合了基于瓶颈结构的模型 RegNetX002、ConvLSTM 层以及压缩与激励模块（SE）。具体而言，RegNetX002 和 ConvLSTM 层用于特征图提取与特征质量增强，而注意力机制 SE 模块用于通过突出重要通道特征并抑制不重要特征来改善特征表示。更重要的是，瓶颈模块有助于提取更抽象的特征同时降低计算成本。此外，它引入了残差连接有助于缓解梯度消失问题。使用平衡的 CPN-CXRPA 数据集和不平衡的 CXRI-P/C-CXR 数据集评估所提出的模型。使用准确率与 F1 分数等性能指标评估模型效率。在 CPN-CXRPA 数据集上，本模型达到了 98.22% 的准确率。对于 CXRI-P-C-CXR 数据集，准确率和 F1 分数均达到 98.78%。实验结果表明，该框架在性能和计算复杂度方面优于现有模型。
引用
@article{arxiv.2408.11507,
title = {An Improved CovidConvLSTM model for pneumonia-COVID-19 detection and classification},
author = {Imane Beghoura and Mustapha Benssalah and Fazia Sbargoud},
journal= {arXiv preprint arXiv:2408.11507},
year = {2024}
}