Исследование влияния гиперпараметров на эффективность CNN для выявления Covid-19 на основе рентгенографии грудной клетки

В работе предложен метод для разработки быстрого и точного выявления развития осложнений после Сovid-19, посредством метода глубокого обучения, который облегчает процесс идентификации Сovid-19 на основе изображений грудной клетки пациентов. Рентгеновские снимки и компьютерная томография обычно используются для оценки легочной инфекции, вызванной коронавирусом. Рентгеновские снимки используются многими исследователями, поскольку они несут меньшую финансовую нагрузку на пациента. В этой работе мы использовали рентгеновские снимки грудной клетки для разработки восьми моделей обнаружения на основе CNN. Для обучения и тестирования используются три набора изображений: COVID-19, пневмония и обычные случаи. Производительность каждой модели оптимизирована на основе различных гиперпараметров для достижения наилучших результатов с точки зрения высокой точности обнаружения, отзыва, прецизионности и оценки f1. Эти гиперпараметры включают количество слоев CNN, фильтров, плотных слоев и количество узлов на плотный слой. Наши результаты показывают, что увеличение как количества слоев CNN, так и количества фильтров приводит к высокой точности и показателю f1 положительных образцов. В то время как увеличение количества плотных слоев приводит к низкой точности воспроизведения и оценке f1.