深度学习分类器用于多重肺病的计算机辅助诊断.
Aziz Ur Rehman1, Asma Naseer1, Saira Karim1
1National University of Computer and Emerging Science, Faisal Town, Lahore, Pakistan.
Journal of X-ray science and technology
|July 31, 2023
概括
结合卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 的新型深度学习方法在从X射线图像中诊断肺癌,肺炎和COVID-19时实现了94.5%的准确性.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 深度学习用于疾病诊断和诊断
背景情况:
- 由于深度学习,大数据和增强的计算能力,计算机辅助诊断 (CAD) 正在迅速发展.
- CAD 提供了传统诊断方法的成本效益高,安全的替代方案.
研究的目的:
- 开发一种高效的CAD系统,用于诊断三个常见疾病:肺癌,肺炎和COVID-19.
- 用X射线图像评估不同深度学习模型的性能,用于多种疾病的分类.
主要方法:
- 三种深度学习模型 (Inception V3,CNN,LSTM) 设计用于四向分类.
- 针对肺癌,COVID-19和肺炎的公开数据集被利用.
- 通过预处理和数据增强来解决类不平衡问题,结果每个类有1386名受试者.
主要成果:
- 综合CNN-LSTM模型表现出卓越的性能,准确度为94.5%.
- 这种精度超过了单个CNN和InceptionV3-LSTM模型的精度.
- 结果使用3,5倍和10倍的交叉验证进行了验证.
结论:
- 一个单一的CAD系统可以有效地诊断多种疾病.
- 在医学成像中,CNN-LSTM模型对多种疾病的诊断有显著的前景.
