《表3 筛查任务和病变评估任务的实验结果》
在智能诊断模型AGSA中,VGG-16被采用作为分类网络中特征提取部分的主干网络,并将其最后一层卷积层通过全局池化,得到512维的特征向量。为了评估本文提出的模型的性能和效率,一个VGG-16(VGG(2D))以及与VGG-16具有相同网络结构的VGG(3D)被作为基准,其输入为患者全肺图像。图6为AGSA和VGG(3D)及VGG(2D)在筛查和病变评估任务中的特征曲线。从图6可以看出,AGSA的AUC(area under curve)总是大于VGG(3D)和VGG(2D)的AUC。本文提出的模型和基线在相同实验数据上的实验结果如表3所示。在性能和效率方面,AGSA明显优于基于VGG(2D)和VGG(3D)的VGG模型。对于COVID-19的早期筛选任务,AGSA的准确率为86.87%,比VGG(2D)精确13%,比VGG(3D)精确12%。对于病变评估任务,AGSA的准确率为98.03%,比VGG(2D)精确12%,比VGG(3D)精确10%。事实上,COV‐ID-19在放射学图像上的表现与其他肺部疾病之间的区别太过细微,以至于放射科医生难以识别。本文模型的良好性能表明,它有能力区分COVID-19和其他肺部疾病的CT图像的特征。此外,模型仅需要几秒钟就能将COVID-19患者与健康人区分开来。这对尽快隔离患者、控制COVID-19的流行具有重要意义。此外,笔者也在前面的两个数据集评估了模型的效果。由于后续验证数据是在完全真实的医疗机构收集的,模型有潜力推广到更现实的情况,并帮助对抗全球范围内的COVID-19疫情。
图表编号 | XD00173652900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.05 |
作者 | 唐迁、杜博、恽爽、高莉、吴爽、张超、兰猛、陈紫业、李亮、查云飞、张良培、李平湘 |
绘制单位 | 武汉大学计算机学院、武汉大学计算机学院、武汉大学人工智能研究院、武汉大学计算机学院、武汉大学计算机学院、武汉大学计算机学院、武汉大学计算机学院、武汉大学计算机学院、武汉大学计算机学院、武汉大学人民医院、武汉大学人民医院、武汉大学测绘遥感信息工程国家重点实验室、武汉大学人民医院 |
更多格式 | 高清、无水印(增值服务) |