在研究中,我们开发了一种计算机视觉解决方案,以支持诊断放射区分在Covid-19肺炎,流感病毒肺炎和正常生物标志物之间。 Covid-19肺炎的胸部射线照相出现被认为是非特异性的,提出了挑战,以确定卷积神经网络(CNN)的最佳架构,该挑战是Covid-19和非-covid-19种肺炎。 Rahman(2021)指出Covid-19射线照相图像观察影响诊断过程的不可用和质量问题,并影响深度学习检测模型的准确性。 Covid-19造影图像的显着稀缺性引入了对我们使用过采样技术的数据的不平衡。在该研究中,我们包括具有Covid-19肺炎,流感病毒肺炎和正常生物标志物的人肺(CXR)的广泛的X射线成像,以实现可伸展和准确的CNN模型。在研究的实验阶段,我们评估了各种卷积网络架构,选择了具有两个传统卷积层和两个具有最大功能的汇集层的连续卷积网络。在其分类性能中,最佳性能模型展示了93%的验证精度,F1分数为0.95。我们选择了Azure机器学习服务来执行网络实验和解决方案部署。自动缩放计算集群在网络培训中提供了大量的减少。我们希望在人工智能和人类生物学领域看到科学家合作,并扩展建议的解决方案,以提供快速和全面的诊断,有效地减轻病毒的传播
translated by 谷歌翻译