使用基于注意力的修改密度网模型对肺部疾病的分类

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:

• 肺部疾病对全球健康构成重大挑战,需要准确且易于获得的诊断工具.
• 计算机断层扫描 (CT) 和X射线成像对于肺部疾病诊断至关重要,X射线具有成本效益和可访问性.
• 早期和准确的诊断对于有效的治疗和改善患者的结果至关重要.

研究的目的:

• 开发和评估一个增强的深度学习模型,以从X射线图像中改进肺部疾病的检测.
• 为了利用对比度有限的自适应直方体平衡 (CLAHE) 进行图像增强和DenseNet201进行特征提取.
• 为了增强DenseNet201架构的混合聚合和道注意力,以获得卓越的性能.

主要方法:

• 利用对比度有限的自适应性直方体平衡 (CLAHE) 来提高X射线图像质量.
• 采用了增强的DenseNet201模型,结合了混合池和道注意力机制.
• 验证了该模型的性能与几个已建立的预训练深度学习模型相比.
• 雇佣的梯度加权类激活映射 (Grad-CAM) 进行视觉解释.

主要成果:

• 拟议的模型实现了高诊断准确度,精度,回忆和F1分数分别为95.34%,97%,96%和96%.
• 与众所周知的多个预训练模型 (VGG16,InceptionV3,ResNet50等) 相比,表现出优越的性能. ) 的情况.
• 格拉德-CAM可视化提供了对模型决策的洞察力,用于识别正常的肺胸病例,肺胸病例和乳房病例.

结论:

• 开发的AI模型显著提高了从X射线图像中诊断肺部疾病的准确性.
• 在DenseNet201中集成CLAHE和架构增强提供了一个强大的医疗图像分析工具.
• 该模型的可解释性功能可以帮助放射科医生在临床决策和诊断过程中.