CovidExpert：一种用于检测 COVID-19 的三胞胎孪生神经网络框架
计算机视觉与模式识别
2023-02-20 v1 机器学习
摘要
感染 COVID-19 的患者可能出现类似肺炎的症状以及可能损害肺部的呼吸问题。通过医学图像，可以使用多种机器学习方法准确识别和预测冠状病毒疾病。大多数已发表的机器学习方法可能需要大量的超参数调整，并且不适合小数据集。通过利用相对较小数据集中的数据，小样本学习算法旨在减少对大数据集的需求。这启发我们开发一种用于早期检测 COVID-19 的小样本学习模型，以减少这种危险疾病的后遗症。所提出的架构将小样本学习与预训练卷积神经网络集成相结合，从 CT 扫描图像中提取特征向量以进行相似性学习。所提出的三胞胎孪生网络作为小样本学习模型，将 CT 扫描图像分类为正常、COVID-19 和社区获得性肺炎。在每类仅使用 200 张 CT 扫描作为训练数据的情况下，所建议的模型达到了 98.719% 的总体准确率、99.36% 的特异性、98.72% 的灵敏度和 99.9% 的 ROC 分数。
引用
@article{arxiv.2302.09004,
title = {CovidExpert: A Triplet Siamese Neural Network framework for the detection of COVID-19},
author = {Tareque Rahman Ornob and Gourab Roy and Enamul Hassan},
journal= {arXiv preprint arXiv:2302.09004},
year = {2023}
}