Prediction of COVID-19 - Pneumonia based on Selected Deep Features and One Class Kernel Extreme Learning Machine.
Prediction of COVID-19 - Pneumonia based on Selected Deep Features and One Class Kernel Extreme Learning Machine.
复制标题
基于选择深度特征和一类核极限学习机的COVID-19肺炎预测。
DOI：
10.1016/j.compeleceng.2020.106960
复制
发表时间：
2021-03
期刊：
影响因子：
--
通讯作者：
Saba T
中科院分区：
文献类型：
--
作者：
Khan MA;Kadry S;Zhang YD;Akram T;Sharif M;Rehman A;Saba T
在这项工作中，我们提出了一个深度学习框架，用于从正常胸部CT扫描中分类COVID-19肺炎感染。在这方面，开发了一个15层卷积神经网络架构，它从从Radiopedia收集的选定图像样本中提取深度特征。从两个不同的层，全局平均池和全连接层，收集深度特征，然后使用最大层细节（MLD）方法组合。随后，在主设计中嵌入相关熵技术，以从特征池中选择最具鉴别力的特征。最后采用单类核极端学习机器分类器进行分类，平均准确率为95.1%，灵敏度、特异度和精确度分别为95.1%、95%和94%。为了进一步验证我们的说法，详细的统计分析的基础上，标准误差均值（SEM），这证明了我们提出的预测设计的有效性。
In this work, we propose a deep learning framework for the classification of COVID-19 pneumonia infection from normal chest CT scans. In this regard, a 15-layered convolutional neural network architecture is developed which extracts deep features from the selected image samples – collected from the Radiopeadia. Deep features are collected from two different layers, global average pool and fully connected layers, which are later combined using the max-layer detail (MLD) approach. Subsequently, a Correntropy technique is embedded in the main design to select the most discriminant features from the pool of features. One-class kernel extreme learning machine classifier is utilized for the final classification to achieving an average accuracy of 95.1%, and the sensitivity, specificity & precision rate of 95.1%, 95%, & 94% respectively. To further verify our claims, detailed statistical analyses based on standard error mean (SEM) is also provided, which proves the effectiveness of our proposed prediction design.
登录
查看更多内容
影响因子：
2.5
作者：
Majid, Abdul;Khan, Muhammad Attique;Tariq, Usman
通讯作者：
Tariq, Usman
影响因子：
2.5
作者：
Khan, Sajid A.;Nazir, Muhammad;Awais, Muhammad
通讯作者：
Awais, Muhammad
影响因子：
19.7
作者：
Li, Lin;Qin, Lixin;Xia, Jun
通讯作者：
Xia, Jun
影响因子：
5.9
作者：
Wang, Shuai;Kang, Bo;Xu, Bo
通讯作者：
Xu, Bo
使用极限学习机进行一类分类
影响因子：
--
作者：
Leng, Qian;Qi, Honggang;Su, Guiping
通讯作者：
Su, Guiping