基于融合深度特征与优化多层感知机的 COVID-19 分类框架
机器学习
2021-03-19 v1 图像与视频处理
摘要
被称为 COVID-19 的新型冠状病毒疾病继续以相当快的速度传播。尽管它表现出一些特定症状，但这种几乎在每个个体身上都可能表现出不同症状的疾病已导致数十万患者死亡。尽管医疗专业人员努力防止进一步的生命损失，但疾病传播率非常高。因此，计算机辅助诊断（CAD）和人工智能（AI）算法的帮助至关重要。在本研究中，提出了一种基于优化卷积神经网络（CNN）架构的方法，CNN 是当今最有效的图像分析方法，以满足上述 COVID-19 检测需求。首先，使用 ResNet-50 和 VGG-16 架构对 COVID-19 图像进行训练。然后，通过特征融合将这两种架构最后一层中的特征进行组合。将这些通过特征融合获得的新的图像特征矩阵用于 COVID 检测的分类。分类过程使用了由鲸鱼优化算法优化的多层感知机（MLP）结构。所得结果表明，所提出框架的性能比 VGG-16 高出近 4.5%，比 ResNet-50 高出近 3.5%。
引用
@article{arxiv.2103.09904,
title = {Fused Deep Features Based Classification Framework for COVID-19 Classification with Optimized MLP},
author = {Saban Ozturk and Enes Yigit and Umut Ozkaya},
journal= {arXiv preprint arXiv:2103.09904},
year = {2021}
}
备注
13 pages,8 figures