HDSNE是一种新的无监督的多图像数据库融合学习算法,具有灵活和脆脆的数据库生成:肺部感染诊断的证明案例研究 在胸部X射线图像中诊断

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 大型医疗图像数据库的持续发布往往包含重复和损坏的数据.
• 冗余数据阻碍了准确的自主计算机辅助诊断 (CAD) 系统的开发.
• 现有的数据聚合方法在多个版本中与相同的类作斗争.

研究的目的:

• 为增强医疗图像数据集提出全球数据聚合规模模型.
• 在CAD中应对数据重复,性能增强和资源优化的挑战.
• 为强大的机器学习模型培训创建一个独特,平衡的数据集.

主要方法:

• 使用六个不同的图像数据库实现了全球数据聚合模型.
• 使用了Hash MD5算法,以基于唯一的哈希值有效删除重复图像.
• 使用T分布式静态邻近嵌入 (t-SNE) 进行数据维度表示和递归应用,使用MD5进行数据集平衡.

主要成果:

• 实现了高精度的肺感染分类模型,准确率为98.48%.
• 拟议的模型在传统数据聚合方法上表现出优越的性能.
• 统计学t测试证实了具有高精度,回忆和F1分数的显著结果.

结论:

• 开发的全球数据聚合规模模型成功创建了平衡和统一的医疗图像数据集.
• 这种方法显著提高了用于肺部感染诊断的计算机辅助诊断 (CAD) 系统的性能.
• 该方法为处理大型,复杂的医学图像数据挑战提供了强大的解决方案.