FP-CNN:基于模糊聚合的卷积神经网络,用于用可解释的AI进行肺超声波图像分类
Md Mahmodul Hasan1, Muhammad Minoar Hossain2, Mohammad Motiur Rahman1
1Department of Computer Science and Engineering, Mawlana Bhashani Science and Technology University, Tangail, 1902, Dhaka, Bangladesh.
Computers in biology and medicine
|September 7, 2023
概括
这项研究引入了一个基于模糊聚合的卷积神经网络 (FP-CNN),用于分类肺超声图像. 人工智能模型准确识别COVID-19,肺炎和正常病例,有助于快速诊断.
科学领域:
- 医疗成像中的人工智能
- 计算机辅助诊断 计算机辅助诊断
- 医学图像分析 医学图像分析
背景情况:
- 随着COVID-19的爆发,人们越来越需要有效的诊断工具.
- 非侵入性超声波成像显示,作为呼吸系统疾病的生物标志物具有前途.
- 肺部超声波图像的准确分类对于及时的医学诊断至关重要.
研究的目的:
- 开发一种智能方法来对肺部超声波图像进行分类.
- 利用基于模糊聚合的卷积神经网络 (FP-CNN) 来改进特征表示.
- 通过使用可解释AI (SHAP) 提高诊断决策透明度.
主要方法:
- 开发基于模糊聚合的卷积神经网络 (FP-CNN) 用于图像分类.
- 实施沙普利添加式解释 (SHAP) 对于模型的可解释性.
- 评估各种CNN架构和模糊聚合策略,包括微调和多层模糊聚合.
主要成果:
- 在FP-CNN模型中,超声波图像被分为COVID-19,正常和肺炎类别.
- 采用了所有层的模糊聚合的Xception模型在97.2%的准确度中显示出最高的准确度.
- SHAP分析为FP-CNN模型的诊断预测提供了解释.
结论:
- 拟议的FP-CNN方法为从肺部超声波图像中诊断COVID-19提供了一个强大的方法.
- 模糊聚合的整合增强了特征提取,以获得更好的分类准确性.
- 像SHAP这样的可解释AI方法对于确保AI诊断系统的可靠性至关重要.
