×
丹尼斯·普斯托金（Denis A.Pustokhin）。;伊琳娜五世（Irina V.Pustokhina）。;Phuoc Nguyen丁;范森·凡;Nguyen、Gia Nhu;贾南德拉·普拉萨德·乔希;K·尚卡尔。

一种有效的基于深度剩余网络的类注意层和双向LSTM，用于新冠肺炎的诊断和分类。 （英语） Zbl 07697887号

J.应用。斯达。 50，第3期，477-494（2023年）.
摘要：最近几天，新冠肺炎疫情在全球范围内影响了数人的生活，需要进行大量的筛查试验来检测冠状病毒的存在。同时，深度学习（DL）概念的兴起有助于有效开发新冠肺炎（COVID-19）诊断模型，以最小的计算时间获得最大的检测率。本文提出了一种新的基于残差网络（ResNet）的双向LSTM类注意层，称为RCAL-BiLSTM，用于COVID-19的诊断。提出的RCAL-BiLSTM模型包括一系列过程，即基于双边滤波（BF）的预处理、基于RCAL-Bi LSTM的特征提取和基于softmax（SM）的分类。一旦BF技术产生预处理图像，基于RCAL-BiLSTM的特征提取过程将使用三个模块进行，即基于ResNet的特征提取、CAL和Bi-LSTM模块。最后，应用SM层将特征向量分类为相应的特征映射。针对Chest-X-Ray数据集对所提出的RCAL-BiLSTM模型进行了实验验证，并从几个方面确定了结果。实验结果表明，RCAL-BiLSTM模型的优越性在于，其最高灵敏度为93.28%，特异性为94.61%，精密度为94.90%，准确度为94.88%，F评分为93.10%，kappa值为91.40%。

引用于1文件

MSC公司：

62至XX 统计

关键词：

新冠肺炎;机器学习;深度学习;特征提取;胸部X射线

软件：

github
PDF格式BibTeX公司 XML格式引用
\textit{D.A.Pustokhin}等人，J.Appl。Stat.50，No.3，477--494（2023；Zbl 07697887）
全文： 内政部 链接

参考文献：

[1] Albrecht，A。；Hein，E。；Steinhöfel，K。；托皮茨，M。；Wong，C.K.，计算机辅助CT图像分类的有界深度阈值电路，Artif。智力。医学，24179-192（2002）
[2] Chen，C.L。；Yang，T.T。；邓Y.Y。；Chen，C.H.，一种基于不可否认性机制的安全物联网医疗信息共享和紧急通知系统，Trans。紧急电信。Technol公司。(2020)
[3] 高，M。；巴奇，美国。；卢，L。；Wu，A。；布蒂，M。；Shin，H.C.公司。；Roth，H。；Papadakis，G.Z。；Depeursinge，A。；萨默斯，R.M。；徐，Z。；Mollura，D.J.，通过深度卷积神经网络对间质性肺疾病的CT衰减模式进行整体分类，Comp。方法生物技术。生物识别。工程图像。目视检查。，6, 1-6 (2018)
[4] 格林斯潘，H。；Van Ginneken，B。；Summers，R.M.，《医学成像的客座编辑深度学习：令人兴奋的新技术的概述和未来前景》，IEEE Trans。医学图像。，35, 1153-1159 (2016)
[5] Hamimi，A.，MERS-CoV：中东呼吸综合征冠状病毒：放射学有帮助吗？最初的单中心经验，埃及J.Radiol。编号。医学，47，95-106（2016）
[6] He，K.，Zhang，X.，Ren，S.和Sun，J.，图像识别的深度剩余学习。arXiv.org，2015年。
[7] 霍姆，M.R.P。；马萨诸塞州马斯卡伦哈斯。；Cruvinel，P.E.，线性衰减系数作为多能量CT图像分类的特征，Nucl。仪器。方法物理学。研究，第。A、 452、351-360（2000）
[8] 侯赛因·蒙达尔，M.R。；巴拉蒂，S。；Podder，P。；Podder，P.，《新型冠状病毒疾病的数据分析》，《解锁的医学信息学》（2020年）·doi:10.1016/j.imu.2020.100374
[9] 华，Y。；牟，L。；Zhu，X.X.，在用于多标签航空图像分类的混合卷积和双向LSTM网络中递归探索类级关注，ISPRS.J.Photogram。远程。参议院，149188-199（2019）
[10] Lakshmanaprabu，S.K。；莫汉蒂，S.N。；Shankar，K。；Arunkumar，N。；Ramirez，G.，《CT图像肺癌分类的最佳深度学习模型》，《未来遗传学》。计算。系统。，92, 374-382 (2019)
[11] 长，F。；周，K。；Ou，W.，基于双向LSTM的文本情感分析，多标题关注，IEEE。访问。，7, 141960-141969 (2019)
[12] 卢，Z。；Bai，Y。；陈，Y。；苏，C。；卢，S。；詹，T。；X.洪。；Wang，S.，基于金字塔扩张卷积ResNet模型的胶质瘤分类，模式识别。莱特。，133 (2020)
[13] Ozyurt，F。；Tuncer，T。；Avci，E。；科克，M。；Serhatlioglu，I.，使用基于感知散列的卷积神经网络的新型肝脏图像分类方法，阿拉伯。科学杂志。工程，44，3173-3182（2019）
[14] Pathak，Y。；Shukla，P.K。；Tiwari，A。；斯大林，S。；辛格，S。；Shukla，P.K.，基于深度转移学习的新型冠状病毒肺炎分类模型，IRBM，1-6（2020）
[15] Pustokhina，I.V。；Pustokhin，D.A。；古普塔，D。；Khanna，A。；Shankar，K。；Nguyen，G.N.，边缘计算支持的医疗物联网（IoMT）系统中深度神经网络的有效训练方案，IEEE。访问。，8, 107112-107123 (2020)
[16] 拉杰，J.S。；Jeya Shobana，S。；Pustokhina，I.V。；Pustokhin，D.A。；古普塔，D。；Shankar，K.，利用医疗物联网中的深度学习模型进行基于最佳特征选择的医学图像分类，IEEE。访问。，8, 58006-58017 (2020)
[17] Shan，F.，Gao，Y.，Wang，J.，Shi，W.，Shi。arXiv预印本arXiv:2003.04655，第1-19页，2020。
[18] Shankar，K。；Elhoseny，M。；Lakshmanaprabu，S.K。；Ilayaraja，M。；Vidhyavathi，R.M。；Alkhambashi，M.，脑MRI图像分类的基于最佳特征级融合的ANFIS分类器（2018），并发和计算：实践和经验-Wiley·doi:10.1002/cpe.4887
[19] Shankar，K。；Lakshmanaprabu，S.K。；Khanna，A。；Tanwar，S。；罗德里格斯，J.J.P.C。；Roy，N.R.，使用基于组灰狼优化特征和卷积分类器的阿尔茨海默病检测，计算。选举人。工程，77，230-243（2019）
[20] 索伦森，L。；Loog，M。；Lo，P。；阿什拉夫·H。；德克森，A。；Duin，R.P。；De Bruijne，M.，基于图像差异的CT肺部疾病量化（2010年）
[21] 来源：网址：https://github.com/ieee8023/covid-chestxray-dataset。
[22] Stoecklin，S.B。；罗兰，P。；Silue，Y。；梅勒斯，A。；坎佩斯，C。；西蒙登，A。；Mechain，M。；莫里斯，L。；Nguyen，M。；巴西，C。；雅马尼，E。；Behillil，S。；伊斯梅尔，S。；Nguyen，D。；Malvy，D。；Lescure，F.X。；乔治，S。；拉扎勒斯，C。；塔巴伊，A。；斯坦普费利特，M。；伊努夫，V。；Coignard，B。；利维·布鲁尔，D。；I.小组，法国2019年第一例冠状病毒病（COVID-19）：监测、调查和控制措施，欧洲监测，252000094（2020）
[23] Wang，S.、Kang，B.、Ma，J.、Zeng，X.、Xiao，M.、Guo，J.和Cai，M.，Yang，J.，Li，Y.、Meng，X.以及Xu，B.，使用CT图像筛选冠状病毒病（COVID-19）的深度学习算法。medRxiv预印本，第1-26页，2020年。
[24] 谢，X。；李，X。；Wan，S。；龚，Y。；威廉姆斯，G.J。；Simoff，S.J.，《数据挖掘：理论、方法、技术和应用》，挖掘SARS患者的X射线图像，282-294（2006），斯普林格·弗拉格出版社，柏林：斯普林格尔·弗拉格，柏林，海德堡
[25] 徐，G。；曹，H。；Udupa，J.K。；Yue，C。；Dong，Y。；曹，L。；Torigian，D.A.，MIPPR 2019：图像并行处理和优化技术；和医学成像，11431，病理性淋巴结图像分类的新型指数损失函数，114310A（2020），国际光学与光子学学会，中国武汉
[26] Xu，X.，Jiang，X.、Ma，C.、Du，P.、Li，X.L，S.、Yu，L.、Chen，Y.、Su，J.和Lang，G.，《2019年冠状病毒病肺炎筛查深度学习系统》。arXiv 2020年。arXiv预打印arXiv:2002.09334。
[27] Xu，X.，Jiang，X.、Ma，C.、Du，P.，Li，X.Lv，S.、Yu，L.、Chen，Y.、Su，J.、Lang，G.、Li，Y.，Zhao，H.、Xu，K.、Ruan，L.和Wu，W.，《筛查2019年冠状病毒病肺炎的深度学习系统》。arXiv预印本arXiv:2002.09334，第1-29页，2020年。
[28] 杨，X。；塞科普洛斯，I。；Fei，B.，《2011年医学成像：图像处理》，7962，基于双边滤波的高分辨率乳腺CT图像自动组织分类，79623H（2011），国际光学和光子学学会：国际光学和光子学会，美国佛罗里达州
[29] Zhang，W.L。；王晓忠，人脑CT图像特征提取与分类（2007）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。