释放改进深度学习模型在高效 COVID19 检测中的潜力
图像与视频处理
2023-10-24 v1 计算机视觉与模式识别
神经与进化计算
摘要
COVID19 大流行是一种独特且具有破坏性的呼吸道疾病爆发，随着疾病迅速传播已影响全球人口。近期深度学习的突破可作为一种精确快速检测的工具，改善 COVID19 的预测与预报，然而当前方法仍在考察中以期实现更高的准确率和精度。本研究分析了包含 8055 个 CT 图像样本的集合，其中 5427 个为 COVID 病例，2628 个为非 COVID。9544 个 X 光样本包括 4044 个 COVID 患者和 5500 个非 COVID 病例。最准确的模型是 MobileNet V3（97.872%）、DenseNet201（97.567%）和 GoogleNet Inception V1（97.643%）。高准确率表明这些模型能做出许多准确预测，且 MobileNetV3 和 DenseNet201 的其他指标也较高。本研究通过使用准确率、精度和召回率的广泛评估，结合损失优化与可扩展批量归一化，对预测模型进行全面比较和改进。我们的分析表明，这些策略提升了模型性能与鲁棒性，推进了 COVID19 预测与检测，并展示了深度学习如何改善疾病处理。我们建议的方法将增强医疗系统、政策制定者和研究人员做出明智决策的能力，以减轻 COVID19 及其他传染病。CCS CONCEPTS Covid, Deep Learning, Image Processing KEYWORDS Covid, Deep Learning, DenseNet201, MobileNet, ResNet, DenseNet, GoogleNet, Image Processing, Disease Detection.
引用
@article{arxiv.2310.14081,
title = {Unleashing Modified Deep Learning Models in Efficient COVID19 Detection},
author = {Md Aminul Islam and Shabbir Ahmed Shuvo and Mohammad Abu Tareq Rony and M Raihan and Md Abu Sufian},
journal= {arXiv preprint arXiv:2310.14081},
year = {2023}
}