早期检测结核病使用混合特征描述符和深度学习网络
Garima Verma1, Ajay Kumar2, Sushil Dixit3
1School of Computing, DIT University, Dehradun, India.
Polish journal of radiology
|October 9, 2023
概括
这项研究开发了一种深度学习模型,用于使用胸部X射线早期检测结核病 (TB). 该模型实现了高精度,超过了现有的结核病诊断方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 结核病 (TB) 仍然是一个重大的全球卫生挑战,需要先进的诊断工具.
- 早期发现结核病对于有效治疗和疾病控制至关重要.
- 分析胸部X射线图像是结核病查的主要方法.
研究的目的:
- 从胸部X射线图像开发和评估用于早期肺结核检测的深度神经网络模型.
- 将拟议的深度学习模型的有效性与现有的诊断方法进行比较.
- 通过整合深度和手工设计的功能来增强结核病诊断.
主要方法:
- 利用了一个开源数据集,包括4200张胸部X射线图像 (3500张正常,700张结核).
- 开发了一个深度学习模型,将深度和手工设计的功能结合起来,用于结核病诊断.
- 应用了Gabor过器和Canny边缘检测,以提高模型性能和降低计算成本.
主要成果:
- 该模型在没有图像处理技术的情况下实现了95.7%的准确性.
- 整合了Gabor过器和Canny边缘检测,提高了准确度至97.9%.
- 该模型在实时图像测试中表现出优越的性能,与其他可用模型相比.
结论:
- 拟议的深度学习模型为早期结核病检测提供了一个有前途的工具,特别是在资源有限的环境中.
- 整合特征工程技术显著提高了诊断准确度.
- 该模型在实时场景中的有效性表明其潜在的临床实用性.
