Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2501.17160

帮助 | 高级搜索

电气工程与系统科学 > 图像与视频处理

arXiv:2501.17160 (eess)
[提交于 2025年1月28日 ]

标题: 基于 computed tomography (CT) 扫描图像的增强型 COVID-19 检测的混合深度学习 CNN 模型

标题: A Hybrid Deep Learning CNN Model for Enhanced COVID-19 Detection from Computed Tomography (CT) Scan Images

Authors:Suresh Babu Nettur, Shanthi Karpurapu, Unnati Nettur, Likhit Sagar Gajja, Sravanthy Myneni, Akhil Dusi, Lalithya Posham
摘要: 早期检测 COVID-19 对于有效治疗和控制其传播至关重要。 本研究提出了一种新颖的混合深度学习模型,用于从 CT 扫描图像中检测 COVID-19,旨在协助负担过重的医疗专业人员。 我们提出的模型利用了 VGG16、DenseNet121 和 MobileNetV2 的优势来提取特征,随后通过主成分分析(PCA)进行降维,然后将特征堆叠并使用支持向量分类器(SVC)进行分类。 我们对所提出的混合模型与各个预训练的 CNN 模型进行了比较分析,使用了一个包含 2,108 张训练图像和 373 张测试图像的数据集,其中包括 COVID 阳性和非 COVID 图像。 我们提出的混合模型达到了 98.93% 的准确率,在精确度、召回率、F1 分数和 ROC 曲线性能方面优于各个单独模型。
摘要: Early detection of COVID-19 is crucial for effective treatment and controlling its spread. This study proposes a novel hybrid deep learning model for detecting COVID-19 from CT scan images, designed to assist overburdened medical professionals. Our proposed model leverages the strengths of VGG16, DenseNet121, and MobileNetV2 to extract features, followed by Principal Component Analysis (PCA) for dimensionality reduction, after which the features are stacked and classified using a Support Vector Classifier (SVC). We conducted comparative analysis between the proposed hybrid model and individual pre-trained CNN models, using a dataset of 2,108 training images and 373 test images comprising both COVID-positive and non-COVID images. Our proposed hybrid model achieved an accuracy of 98.93%, outperforming the individual models in terms of precision, recall, F1 scores, and ROC curve performance.
评论: 通信作者: Shanthi Karpurapu (shanthi.karpurapu@gmail.com),Suresh Babu Nettur (nettursuresh@gmail.com);Shanthi Karpurapu 和 Suresh Babu Nettur 为共同第一作者。
主题: 图像与视频处理 (eess.IV) ; 人工智能 (cs.AI); 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2501.17160 [eess.IV]
  (或者 arXiv:2501.17160v1 [eess.IV] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.17160
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Akhil Dusi [查看电子邮件]
[v1] 星期二, 2025 年 1 月 28 日 18:59:21 UTC (589 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.IV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.AI
cs.CV
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号