Modelos de conjunto de metaaprendizaje de características profundas para la clasificación de escaneos CT de COVID-19
Autores: Thomas, Jibin B.; K. V., Shihabudheen; Sulthan, Sheik Mohammed; Al-Jumaily, Adel
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Modelos de conjunto de metaaprendizaje de características profundas para la clasificación de escaneos CT de COVID-19
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Covid-19
Detección
Tomografías computarizadas
Modelos de redes neuronales convolucionales profundas
Aprendizaje conjunto
Radiología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
La naturaleza infecciosa del virus COVID-19 exige una detección rápida para aislar a los infectados y así evitar la propagación o proporcionar el tratamiento necesario si es requerido. El análisis de tomografías computarizadas (CT scans) de tórax infectadas por COVID-19 ha demostrado ser exitoso en la detección de la enfermedad, volviéndose esencial en la evaluación radiológica y el cribado de pacientes infectados. Los modelos de Redes Neuronales Convolucionales Profundas (CNN) de un solo modelo se han utilizado para extraer información compleja relacionada con las imágenes de las tomografías, permitiendo un análisis profundo y ayudando así en el diagnóstico de la infección al clasificar automáticamente las imágenes de la tomografía de tórax como infectadas o no infectadas. Los mapas de características obtenidos de la capa de convolución final de los modelos de CNN profundos contienen una codificación compleja y posicional de las características de las imágenes. La modelización de conjunto de estos modelos de CNN profundos ha demostrado mejorar el rendimiento de la clasificación, en comparación con un solo modelo, al reducir el error de generalización, ya que el conjunto puede aprender de manera metódica a partir de un conjunto más amplio de características independientes. Este documento presenta modelos de Aprendizaje de Conjunto Profundo para potenciar los modelos de CNN profundos combinando estos mapas de características para crear vectores de características profundos o mapas de características profundos que luego se entrenan en aprendices superficiales y profundos meta para mejorar la clasificación. Este documento también propone un novedoso Modelo de Conjunto Atento que utiliza un mecanismo de atención para centrarse en incrustaciones de características significativas mientras aprende el vector de características del conjunto. El modelo de Conjunto Atento propuesto proporcionó una mejor generalización, superando a los modelos de CNN profundos y a las técnicas convencionales de aprendizaje de conjuntos, así como a los modelos de CNN de aprendizaje meta superficiales y profundos. Los radiólogos pueden utilizar los modelos de clasificación de Conjunto automático presentados para ayudar a identificar tomografías de tórax infectadas y salvar vidas.
Descripción
La naturaleza infecciosa del virus COVID-19 exige una detección rápida para aislar a los infectados y así evitar la propagación o proporcionar el tratamiento necesario si es requerido. El análisis de tomografías computarizadas (CT scans) de tórax infectadas por COVID-19 ha demostrado ser exitoso en la detección de la enfermedad, volviéndose esencial en la evaluación radiológica y el cribado de pacientes infectados. Los modelos de Redes Neuronales Convolucionales Profundas (CNN) de un solo modelo se han utilizado para extraer información compleja relacionada con las imágenes de las tomografías, permitiendo un análisis profundo y ayudando así en el diagnóstico de la infección al clasificar automáticamente las imágenes de la tomografía de tórax como infectadas o no infectadas. Los mapas de características obtenidos de la capa de convolución final de los modelos de CNN profundos contienen una codificación compleja y posicional de las características de las imágenes. La modelización de conjunto de estos modelos de CNN profundos ha demostrado mejorar el rendimiento de la clasificación, en comparación con un solo modelo, al reducir el error de generalización, ya que el conjunto puede aprender de manera metódica a partir de un conjunto más amplio de características independientes. Este documento presenta modelos de Aprendizaje de Conjunto Profundo para potenciar los modelos de CNN profundos combinando estos mapas de características para crear vectores de características profundos o mapas de características profundos que luego se entrenan en aprendices superficiales y profundos meta para mejorar la clasificación. Este documento también propone un novedoso Modelo de Conjunto Atento que utiliza un mecanismo de atención para centrarse en incrustaciones de características significativas mientras aprende el vector de características del conjunto. El modelo de Conjunto Atento propuesto proporcionó una mejor generalización, superando a los modelos de CNN profundos y a las técnicas convencionales de aprendizaje de conjuntos, así como a los modelos de CNN de aprendizaje meta superficiales y profundos. Los radiólogos pueden utilizar los modelos de clasificación de Conjunto automático presentados para ayudar a identificar tomografías de tórax infectadas y salvar vidas.