28、基于深度卷积神经网络的胸部X光图像新冠与肺炎检测研究

基于深度卷积神经网络的胸部X光图像新冠与肺炎检测研究

1. 研究概述

在新冠疫情背景下，利用胸部X光（CXR）图像进行新冠与肺炎检测具有重要意义。本文对多种卷积神经网络（CNN）模型在CXR图像检测中的应用进行了研究，旨在找到更有效的检测方法。研究包括模型训练规格、质量评估指标、数据集分析以及模型性能比较等方面。

2. 模型训练规格

所有CNN模型均使用Keras顺序API构建，并借助Google Colab Pro平台的Tesla P100 GPU进行训练。具体训练规格如下：
1. 数据集划分 ：将原始数据集按60 - 20 - 20%的比例分别用于训练、测试和验证，采用分层划分以解决类别不平衡问题。
2. 优化器选择 ：使用Adams优化器进行模型训练。
3. 批量大小 ：训练时采用较小的批量大小16，以避免过拟合。
4. 图像尺寸调整 ：将所有图像调整为224 × 224的标准输入尺寸。
5. 学习率设置 ：对于预训练的CNN模型（从ImageNet数据集进行迁移学习），选择固定学习率1e⁻⁴，并设置早停机制，监控验证损失，耐心值为5个epoch；对于其他现有CNN模型，采用其论文中提及的学习率。
6. 从头训练模型 ：Attention-based VGG - 16和Covid - Net两个模型从头开始训练，训练25个epoch，不使用早停机制。
7. 损