评估基于肺部胸片图像的新冠肺炎分类卷积神经网络
图像与视频处理
2024-12-30 v1 计算机视觉与模式识别
机器学习
摘要
新冠肺炎（COVID-19）疫情迅速在全球范围内蔓延，影响了数十亿人的生活。对感染患者的有效筛查是应对 COVID-19 的关键步骤，有助于及时治疗患者，避免疾病的快速传播。由于缺乏准确的自动化工具，需求增加了自动化和可扩展的方法。最近的研究表明，胸部胸片图像包含关于新冠病毒的相关信息。因此，将机器学习技术与放射学影像相结合有望准确识别此疾病。一旦这些图像在全球范围内广泛共享和分析，就很容易收集这些图像。本文提出了一种使用胸部胸片图像进行新冠肺炎自动检测的方法，通过四个卷积神经网络实现：AlexNet、VGG-11、SqueezeNet 和 DenseNet-121。该方法能够为新冠肺炎的阳性或阴性分类提供准确的诊断结果。我们采用十折交叉验证程序对实验进行验证，涵盖训练集和测试集。我们的发现包括一些浅层微调和数据增强策略，可帮助应对公开可得的阳性新冠肺炎图像数量不足的情况。所有 CNN 的准确率均高于 97.00%，其中 SqueezeNet 模型取得最佳结果，达到 99.20%。
引用
@article{arxiv.2412.19362,
title = {Evaluating Convolutional Neural Networks for COVID-19 classification in chest X-ray images},
author = {Leonardo Gabriel Ferreira Rodrigues and Danilo Ferreira da Silva and Larissa Ferreira Rodrigues and João Fernando Mari},
journal= {arXiv preprint arXiv:2412.19362},
year = {2024}
}
备注
6 pages