通过三通道融合检测肺不透明度和治疗规划 CNN 模型
1Department of Computer Engineering, Çankırı Karatekin University, 18100 Çankırı, Turkey.
Arabian journal for science and engineering
|June 26, 2023
概括
这项研究引入了一种深度学习模型,用于检测和分类肺不透明. 新的三通道CNN方法实现了高准确性,帮助医生进行诊断和患者监测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 肺部不透明性需要仔细监测,因为它可能对患者产生不可逆转的后果.
- 准确的诊断和肺不透明的分类对于有效的患者管理至关重要.
- 深度学习为肺部不透明度检测,分类和细分提供了有希望的解决方案.
研究的目的:
- 开发和评估用于检测和分类肺不透明度的深度学习模型.
- 评估三通道融合卷积神经网络 (CNN) 模型的有效性.
- 为医生提供一种在诊断肺部不透明度方面提供成本和时间优势的工具.
主要方法:
- 从公共来源编制了一个平衡的数据集,用于培训和验证.
- 设计了一个三通道融合CNN模型,集成MobileNetV2,InceptionV3和VGG19架构.
- ResNet 架构被用于层间的功能传输.
主要成果:
- 拟议的模型在新编制的肺不透明度分类数据集上实现了高准确率.
- 两个,三个,四个和五个类别的准确性分别为92.52%,92.44%,87.12%和91.71%.
- 该模型展示了医生显著的成本和时间优势.
结论:
- 三通道融合CNN模型对于检测和分类肺不透明度是有效的.
- 这种深度学习方法可以帮助医生提高诊断准确性和效率.
- 该模型显示了在肺不透明度监测中广泛临床应用的潜力.
