MOZART：基于胸部 X 光影像的新冠检测集成方法
摘要
新冠病毒导致了全球大流行，严重压垮了医疗系统。及时且准确的检测对于控制病毒传播至关重要。虽然逆转录聚合酶链反应检测是诊断的金标准，但其可用性受限、处理时间较长且极高的假阴性率，促使人们探索替代方法。胸部 X 光影像已成为识别新冠相关肺部异常的有价值、非侵入性工具。传统卷积神经网络（CNN）取得了令人印象深刻的准确率，但需要更稳健的解决方案以最小化关键医疗应用中的假阳性和假阴性。因此，我们引入了 MOZART 框架，这是一个集成学习方法，用于增强病毒检测。我们在包含 3616 张新冠肺部 X 光影像和 3616 张健康肺部 X 光影像的平衡数据集上训练了三个 CNN 架构：InceptionV3、Xception 和 ResNet50。每个模型都经过独立的预处理流程，例如将输入归一化到 -1 到 1 的范围内。数据集被划分为 70% 用于训练，20% 用于验证，10% 用于测试。训练完各个模型后，我们在预测结果上训练了一个浅层神经网络，以提供最终的预测。我们的结果表明，MOZART 框架（包括其子实验 MOZART1 和 MOZART2）在关键指标上优于单个 CNN 模型。它实现了 99.17% 的准确率和 99.16% 的 F1 分数。MOZART1 在最小化假阳性方面表现突出，而 MOZART2 在降低假阴性方面更优。该工作表明，MOZART 框架可以提高 AI 驱动医学影像任务的可靠性，值得进一步探索用于其他肺部疾病。
引用
@article{arxiv.2410.09255,
title = {MOZART: Ensembling Approach for COVID-19 Detection using Chest X-Ray Imagery},
author = {Mohammed Shabo and Nazar Siddig},
journal= {arXiv preprint arXiv:2410.09255},
year = {2024}
}
备注
This paper was originally intended to be published as part of my B.Sc. graduation project in Electrical and Electronics Engineering at the University of Khartoum in 2021. However, due to political and economic instability, and most recently, the outbreak of conflict in Sudan in April 2023, the publication process was significantly delayed. But yeah, better late than never