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
使用 19 层 CNN 网络结构对 COVID-19 在胸部 X 光图像中的识别进行了研究,实验结果表明该方法优于现有的方法,可作为临床医生正确判断 COVID-19 的工具。
Nov, 2023
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
本项目提出了一种基于 DenseNet 和 GRADCAM 的多标签胸透疾病诊断模型,能够在 X 线图像中准确检测出多种胸部病理,并实现了深度学习算法的模型可解释性。
Feb, 2022
本研究提出基于卷积神经网络的五个预训练模型,使用胸部 X 射线放射状图像实现对冠状病毒肺炎感染者的检测,其中 ResNet50 模型表现最佳,对 Dataset-1、Dataset-2 和 Dataset-3 分别达到 96.1%、99.5% 和 99.7% 的准确率,拥有高效的诊断性能。
Mar, 2020
本研究提出了一种自监督深度神经网络,在未标记的胸部 X 射线数据集上进行预训练,并将学到的表示迁移到下游任务 —— 呼吸系统疾病的分类。在四个公共数据集上获得了有竞争力的结果,而不需要大量标记的训练数据。
Mar, 2021
研究利用卷积神经网络和胸部 X 射线图像对 COVID-19 进行快速而可靠的诊断,结果表明,使用三层卷积层的 CNN 模型可以高达 96% 的精度进行 COVID-19 的筛查。
Sep, 2021
通过深度学习和图像处理,研究提出了一种多类别分类方法来增加胸部疾病的诊断精确性,通过与多个经过预训练的迁移学习模型进行比较,该方法在 COVID-19、肺结核和肺炎的诊断上表现出了高准确度。
Oct, 2023
本文提出了 ChestNet 模型,它将注意力机制融合到深度卷积神经网络中,以有效诊断胸部疾病,其结果表明,在使用官方病人方式分割的 Chest X-ray 14 数据集上,该模型优于其他无需额外训练数据使用的方法。
Jul, 2018