在胸部X射线图像中增强多类肺病分类:一种混合的曼塔射线寻火山爆发算法增强了多层感知神经网络方法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 胸部X射线对于诊断肺部和骨疾病至关重要.
• 深度学习在医学图像分析方面表现有前途,但面临着稳定性和阶级不平衡等挑战.
• 准确的多类肺病分类仍然是诊断成像中的一个重大挑战.

研究的目的:

• 提出一种新的混合深度学习模型,用于使用胸部X射线图像对多类肺病进行分类.
• 解决现有的深度学习方法中的稳定性和阶级失衡的局限性,用于胸部X射线分析.
• 提高诊断各种肺部疾病的准确性和效率,包括COVID-19,肺炎和结核病.

主要方法:

• 利用Covid-ChestX射线数据集进行培训和评估.
• 应用的无otropic扩散Kuwahara过 (ADKF) 用于图像增强和降低噪音.
• 使用术语频率-反向文档频率 (TF-IDF) 用于歧视性特征提取.
• 开发了一个多层感知神经网络 (MPNN) 作为核心分类模型.
• 使用混合曼塔射线食和火山爆发算法 (Hyb-MRF-VEA) 优化了MPNN参数.

主要成果:

• 拟议的MPNN-Hyb-MRF-VEA模型在多类肺部疾病分类中表现出卓越的表现.
• 与现有方法相比,获得了更高的准确性:比NFM高出23.21%,比SVM高出12.09%,比CNN高出5.66%.
• 混合算法有效地优化了神经网络,以提高诊断能力.
• 该方法是使用Python平台实现和评估的.

结论:

• 通过MPNN-Hyb-MRF-VEA方法,从胸部X射线进行自动肺部疾病诊断方面取得了重大进展.
• 这种混合深度学习模型有效地克服了与稳定性和阶级不平衡相关的挑战.
• 拟议的方法显示了在临床环境中提高诊断准确性和效率的潜力.