基于深度学习的胸部疾病分类使用X射线,CT扫描和咳声音图像

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 呼吸系统医学 呼吸系统医学

背景情况:

• 胸部疾病有类似的症状,这使得放射科医生和卫生专家的准确诊断变得复杂.
• 有效地识别肺癌,COVID-19,肺炎和结核病等多种胸部疾病至关重要.

研究的目的:

• 开发和评估一种新的深度学习 (DL) 模型,用于识别九种不同的胸部疾病.
• 通过使用多式联络数据,提高胸病分类的准确性和效率.

主要方法:

• 设计了一个基于深度学习的胸部疾病检测网络 (DCDD_Net),利用胸部X射线 (CXR),CT扫描和咳声音图像.
• 咳的声音被转换成图像使用图法,和边界SMOTE被用于数据平衡.
• DCDD_Net模型在20个公共基准数据集上进行了训练和验证,将其性能与已建立的模型进行比较.

主要成果:

• DCDD_Net模型实现了高性能指标,包括96.67%的准确性,96.82%的精度,95.76%的回忆,95.61%的F1得分和99.43%的AUC.
• 使用McNemar和ANOVA测试进行的统计评估证实了该模型的稳定性和弹性.
• DCDD_Net显著超过了InceptionResNet-V2,EfficientNet-B0,DenseNet-201和Xception等基线模型的表现.

结论:

• DCDD_Net模型在分类九种不同类型的胸部疾病方面表现出卓越的性能.
• 这种深度学习方法为协助放射科医生和医疗专业人员检测疾病提供了重大潜力.
• 该研究强调了整合多模式数据 (CXR,CT,咳声音) 的有效性,以提高诊断准确度.