Resumen

La mayoría de los métodos de detección de la enfermedad por coronavirus 2019 (COVID-19) utilizan modelos clásicos de clasificación de imágenes, que presentan problemas de baja precisión de reconocimiento y captura imprecisa de las características modales al detectar radiografías de tórax de COVID-19. Este estudio propone un método de detección de COVID-19 basado en la fusión de características modales de imagen. Este método realiza primero un procesamiento de mejora de muestras pequeñas en radiografías de tórax, como rotación, traslación y transformación aleatoria. Para extraer las características modales se utilizan cinco modelos clásicos de preentrenamiento. Una capa de agrupación de promedios globales reduce los parámetros de entrenamiento y evita el sobreajuste. El modelo se entrena y se ajusta, se utiliza el estándar de evaluación de aprendizaje automático para evaluar el modelo y se traza la curva receiver operating characteristic (ROC). Los experimentos demuestran que, en comparación con el modelo clásico, el método de clasificación de este estudio puede detectar con mayor eficacia la información modal de la imagen COVID-19, y logra el efecto esperado de detectar con precisión los casos.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:pecho X, características modales, modelos clásicos de clasificación de imágenes, capa de agrupación de promedios globales, método de detección COVID-19, La mayoría de los métodos de detección, baja precisión de reconocimiento, fusión de características modales, procesamiento de mejora de muestras, COVID-19
• Keywords:chest X, modal features, classic image classification models, global average pooling layer, COVID-19 detection method, Most detection methods, low recognition accuracy, modal feature fusion, sample enhancement processing, COVID-19