Aug, 2023

优化的深度特征选择用于肺炎检测：一种新的 RegNet 和基于 XOR 的 PSO 方法

PDF
TL;DR通过使用基于异或运算的粒子群优化算法从 RegNet 模型的倒数第二层中选择深度特征来改进卷积神经网络 (CNN) 模型对肺炎检测的准确性，本研究提出了一种能够对儿童肺炎进行自动检测，从而在资源和专业知识有限的发展中国家中显著减少儿童死亡率。通过提取 163 个特征，实现了 98% 的准确率，与之前基于粒子群优化算法的方法相比具有可比较的准确性。该方法的源代码可在 GitHub 上获取。
pneumoniaautomated detectionparticle swarm optimizationdeep featurescnn model
发现论文，激发创造
  • 利用胸部 X 射线图像进行 COVID-19 和病毒性肺炎诊断的深度生殖特征生成框架

    该研究提出了一种使用 8 种预训练的卷积神经网络和自编码器的二阶段特征提取框架，可以基于胸部 X 光片确定患者的健康状况（COVID-19、正常、病毒性肺炎），并在二元分类方面优于其他预先训练特征提取器的框架，在三级分类方面显示出具有竞争力的结果。该方法适用于医学图像数据的分析。

    Apr, 2023

  • 深度学习自动检测肺炎

    本研究提出一种使用单镜头探测器、深度卷积神经网络、增强和多任务学习的计算方法，用于肺炎区域的自动检测，并在北美放射学会肺炎检测挑战中实现了最佳结果。

    May, 2020

  • 通过卷积神经网络和视觉变换器的模型级集成来提高肺炎检测的新方法

    通过模型融合的方式，将卷积神经网络和视觉 Transformer 网络结合起来，以提高基于胸部 X 射线图像的肺炎诊断的准确性。融合模型在 Kaggle 小儿肺炎数据集上取得了 94.87% 的准确率，比基准模型表现更好。

    Jan, 2024

  • 使用深度卷积神经网络集合进行胸部 X 射线图像上的肺炎检测

    通过集成学习技术，本研究提出了一种基于预训练卷积神经网络的计算机辅助肺炎诊断方法，通过联合提取来自三种模型的特征，提高了肺炎检测的准确性。该方法在测试阶段取得了 93.91% 的准确率和 93.88% 的 F1 值。

    Dec, 2023

  • 使用深度神经网络预测肺炎和 COVID-19

    本研究通过医学图像分析提出机器学习技术，利用胸部 X 光片图像预测肺炎，研究发现 DenseNet121 模型在 Pneumonia 检测中表现优于其他模型，达到 99.58% 的准确率，该研究展示了机器学习在精确检测肺炎中的重要性并为防止肺炎传播提供了技术支持。

    Aug, 2023

  • FA-Net：一种基于模糊注意力的深度神经网络在胸部 X 光片中的肺炎检测

    通过使用胸片 X 光图像，开发了一种计算机辅助诊断系统以自动检测肺炎，该系统使用 DenseNet-121 和 ResNet50 作为二元分类（肺炎和正常）和多分类（细菌性肺炎，病毒性肺炎和正常）任务的主干，并实现了一种名为 Fuzzy Channel Selective Spatial Attention Module（FCSSAM）的通道特定空间注意机制，用于突出显示相关通道的特定空间区域，同时通过主干提取的特征去除无关通道。该方法在公开可用的胸片 X 光数据集上进行了评估，使用二元和多分类设置，准确率分别为 97.15% 和 79.79%，结果优于最先进的方法。

    Jun, 2024

  • 肺炎应用：利用可解释的卷积神经网络（CNN）进行高效儿童肺炎诊断的移动应用

    通过使用深度学习技术的移动应用程序 PneumoniaAPP，我们在中国等高发地区解决了儿科医疗中诊断儿童肺炎的挑战，该应用程序利用了卷积神经网络 (CNNs) 对包含 3345 张胸部 X 光 (CXR) 图像的综合数据集进行训练，并在公共数据集的基础上进行了补充样本，其中包括了 833 张显示 Mycoplasma pneumoniae pneumonia (MPP) 的 CXR 图像。我们的 CNN 模型在所有类别上实现了 88.20% 的准确率和 0.9218 的 AUROC，其中对于支原体类别的特定准确率达到了 97.64%，并通过在 PneumoniaAPP 中集成可解释性技术来帮助呼吸科医生定位肺不透明度。我们的研究针对 0-12 岁的儿科 MPP，优先部署在移动设备上，为儿科肺炎的诊断提供了可靠和易于获得的工具，显著推进了儿科肺炎的诊断方法，减轻了医疗诊断的负担。

    Mar, 2024

  • 使用深度卷积神经网络 (CNN) 进行肺炎检测的迁移学习：基于胸部 X 光

    使用数字 X 光图像自动检测细菌性和病毒性肺炎，最高分类精度为 98%，95%，和 93.3%，结果表明该方法可以在医疗检测和机场检测中用于快速诊断肺炎。

    Apr, 2020

  • 基于卷积神经网络的特征提取深度学习模型研究

    通过选用 AlexNet 和 InceptionV3 模型进行优化分类，结合医学图像特征，学习更深层次、更复杂结构的前向神经网络，再利用知识提取技术将结果数据提取到 AlexNet 模型中，从而提高计算效率和降低计算成本，使得训练后的 AlexNet 模型的预测准确率、特异度和敏感度分别提高了 4.25 个百分点、7.85 个百分点和 2.32 个百分点，并相较于 InceptionV3 模型，图形处理的使用率减少了 51%。

    Jun, 2024

  • 基于 PSO 调节的三种深度学习模型在北京 PM2.5 预测中的参数优化

    研究使用 PSO 优化深度学习的架构，以进行北京 PM 2.5 数据集的预测，结果表明 PSO-LSTM 是最好的模型，可用于空气污染管理推荐。

    Jun, 2023