使用深度 CNN 与黑猩猩优化算法稳定的极限学习机从 X 射线图像实时诊断 COVID-19
图像与视频处理
2021-06-04 v1 神经与进化计算
摘要
由于对 COVID-19 病例快速诊断的需求日益增长，利用放射图像实时检测 COVID-19 已成为优先事项。本文提出一种用于分类胸部 X 射线图像的新颖两阶段方法。深度学习方法（DL）未能涵盖这些方面，因为其模型参数的训练与微调耗费大量时间。在该方法中，第一阶段训练一个作为特征提取器的深度 CNN，第二阶段使用极限学习机（ELM）进行实时检测。ELM 的主要缺陷在于：在图像处理应用中，为获得可靠且准确的检测器需要大量隐藏层节点，因为检测性能显著依赖于初始权重与偏置的设置。因此，本文使用黑猩猩优化算法（ChOA）来改进结果并提升网络可靠性，同时保持实时能力。所设计的检测器将在 COVID-Xray-5k 与 COVIDetectioNet 数据集上进行基准测试，并通过与经典 DCNN、遗传算法优化的 ELM（GA-ELM）、布谷鸟搜索优化的 ELM（CS-ELM）和鲸鱼优化算法优化的 ELM（WOA-ELM）比较来验证结果。所提方法优于其他对比基准，在 COVID-Xray-5k 与 COVIDetectioNet 数据集上的最终准确率分别为 98.25% 和 99.11%，且相对于卷积 CNN 将相对误差分别降低 1.75% 和 1.01%。更重要的是，训练深度 ChOA-ELM 所需时间仅为 0.9474 毫秒，3100 张图像的总体测试时间为 2.937 秒。
引用
@article{arxiv.2106.01435,
title = {Real-Time COVID-19 Diagnosis from X-Ray Images Using Deep CNN and Extreme Learning Machines Stabilized by Chimp Optimization Algorithm},
author = {Hu Tianqing and Mohammad Khishe and Mokhtar Mohammadi and Gholam-Reza Parvizi and Sarkhel H. Taher Karim and Tarik A. Rashid},
journal= {arXiv preprint arXiv:2106.01435},
year = {2021}
}
备注
17 pages. arXiv admin note: text overlap with arXiv:2105.14192