在CT图像上使用M-Segnet和混合Squeezenet-CNN架构对肺部疾病进行细分和分类

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 公共卫生 公共卫生

背景情况:

• 准确和及时的肺病诊断对于全球公共卫生至关重要.
• 现有的诊断方法在精度和效率方面面临挑战.
• 肺部疾病是一个重大的全球健康负担,需要先进的解决方案.

研究的目的:

• 引入一种新的框架,即基于修改的细分器的肺病细分和严重性分类 (MSLDSSC),以改善肺病诊断.
• 提高肺部疾病检测和严重程度评估的准确性和效率.
• 为管理肺部疾病提供强大的计算工具.

主要方法:

• 该MSLDSSC框架包括四个阶段:预处理,细分,特征提取和分类.
• 预处理使用了改进的维纳波器技术来提高图像质量.
• 细分是使用一个修改后的Segnet进行的,具有硬tanh-Softplus激活功能.
• 特征提取包括MLDN,与MRELBP的,形状特征和深度特征.
• 分类采用混合模型,结合SDPA-Squeezenet和DCNN进行严重程度分级.

主要成果:

• 拟议的修改版Segnet机制实现了肺部感兴趣区域 (RoI) 的有效细分.
• 混合分类模型成功地对肺部疾病严重程度进行了分类.
• 该MSLDSSC框架证明了准确和及时的肺病诊断的潜力.

结论:

• 该MSLDSSC框架为自动肺部疾病诊断和严重程度分类提供了一个有前途的方法.
• 这种人工智能驱动的方法可以帮助临床医生更有效地管理肺部疾病.
• 需要进一步的研究和验证,以将这一框架纳入临床实践.