系统性综述:基于深度学习的肺炎区域检测方法
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
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。
Aug, 2023
该研究旨在开发一种能够在胸部X光片中识别肺炎是否存在的软件,该软件采用基于机器学习的迁移学习技术建立了一个计算模型。经过训练后,该模型在新图像中表现出显著的肺炎识别结果,对于测试样本,敏感性达到98%,特异性达到97.3%。因此可以得出结论,可以开发出一种能够在胸部X光片中识别肺炎的软件。
Sep, 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
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
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
本研究针对传统肺炎诊断方法在低开发地区面临的挑战,提出了一种结合深度学习和变换器注意机制的新方法,以提高胸部X光片的肺炎检测性能。研究表明,该方法在Kermany和Cohen数据集上实现了高达92.79%和95.11%的准确率,为资源有限的环境提供了一种可靠而高效的检测工具。
Aug, 2024
本研究针对肺部疾病(尤其是COVID-19和肺炎)诊断中的检测和定位不足问题,提出了一种基于轻量深度学习的分割-分类网络。通过使用预训练的VGG-16权重,研究展示了在有限训练数据下仍能实现的强大表现,最终实现了肺区域分割和感染区域定位的高准确率,具有实时和资源有限环境下的应用潜力。
Aug, 2024