基于胸部X光图像的COVID-19分类的深度学习方法评估

COVID-19、新型冠状病毒或SARS-Cov-2，已经导致数十万人死亡，并影响全球数百万人，死亡和感染人数呈指数增长。深度卷积神经网络（DCNN）在图像分类任务中，包括医学图像，取得了巨大的里程碑。先进模型的迁移学习被证明是一种有效的方法，克服了数据不足的问题。本文对八个预训练模型进行了全面评估。这些模型的训练、验证和测试是在属于五个不同类别的胸部X光（CXR）图像上进行的，总共有760张图像。在ImageNet数据集上进行预训练的微调模型在计算上高效且准确。微调后的DenseNet121在四类分类（包括健康、细菌性肺炎、COVID-19和病毒性肺炎）中达到了98.69%的测试准确率和0.99的宏观F1得分，而在三类分类（包括健康、COVID-19和SARS图像）中，微调模型达到了更高的测试准确率。实验结果表明，仅有62%的总参数被重新训练以获得这种准确性.