ResNet-50 mejorado con fusión multifunción para la detección robusta de neumonía en imágenes de rayos X de tórax

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Diagnóstico asistido por ordenador

Sus antecedentes:

• El diagnóstico de la neumonía a partir de las radiografías de tórax es crítico pero desafiado por las limitaciones del aprendizaje profundo.
• Los modelos de aprendizaje profundo existentes luchan con el ruido, la diversidad de características, la interpretabilidad y el desequilibrio de clases.

Objetivo del estudio:

• Desarrollar un marco optimizado de ResNet-50 para la detección precisa de la neumonía.
• Para abordar las limitaciones en los enfoques actuales de aprendizaje profundo para el análisis de rayos X del tórax.

Principales métodos:

• Implementación de un filtro de curva de múltiples escalas con desincrustación direccional (MCF-DD) para la supresión del ruido.
• Fusión integrada de múltiples características que combina las características profundas de ResNet-50 con los patrones binarios locales (LBP).
• Mecanismos de atención de precisión incorporados para mejorar la interpretabilidad del modelo.

Principales resultados:

• El modelo propuesto demostró una precisión, sensibilidad y especificidad superiores en el conjunto de datos de radiografía torácica de Kaggle.
• El preprocesamiento MCF-DD, la fusión de múltiples características y los mecanismos de atención mejoraron significativamente la fiabilidad del diagnóstico.
• Logró métricas de rendimiento más altas en comparación con los métodos de detección de neumonía existentes.

Conclusiones:

• El marco optimizado ResNet-50 proporciona una solución más precisa e interpretable para la detección de la neumonía.
• El estudio abordó con éxito los desafíos clave en el análisis de imágenes médicas basadas en el aprendizaje profundo.
• Este enfoque mejora la solidez y la utilidad de diagnóstico de la IA en radiología.