在医学成像中用于结核病诊断的自我训练的卷积神经网络 (CNN)
Karan Sarawagi1, Ashutosh Pagrotra1, Hardik Dhiman1
1Department of Computer Science, Chandigarh University, Mohali, IND.
Cureus
|July 29, 2024
概括
这项研究展示了使用卷积神经网络 (CNN) 在胸部X射线中检测结核病 (TB) 的深度学习方法,达到~96.57%的准确性. 自主训练的CNN在改善结核病诊断方面表现优于转移学习模型.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 结核病 (TB) 是全球卫生面临的重大挑战,需要及早准确检测才能有效治疗和控制传播.
- 胸部X射线是结核病的主要诊断工具,但解释可能是复杂和耗时的.
- 深度学习的进步为提高医疗成像诊断准确性和效率提供了潜力.
研究的目的:
- 开发和评估深度学习模型,特别是卷积神经网络 (CNN),用于从胸部X射线图像中自动检测结核病.
- 调查各种图像预处理技术的有效性,以提高结核病检测CNN模型的性能.
- 为了比较自训练CNN模型与使用预训练模型的转移学习方法的性能.
主要方法:
- 使用了7000张胸部X射线图像 (3500张结核阳性,3500张正常) 的数据集.
- 图像预处理包括波形变换,对比度有限的自适应直方图表均等 (CLAHE) 和马校正.
- 应用了随机翻转,旋转,大小调整和重新缩放等数据增强技术,以提高模型的稳定性.
- 设计了一个CNN架构,包括卷积层,最大聚合层,平面层和密集层,并使用ReLU和sigmoid激活.
主要成果:
- 自主训练的CNN模型在从胸部X射线图像中检测结核病时达到约96.57%的高精度.
- 深度学习方法与使用预训练模型的转移学习方法相比,表现优越.
- 图像预处理和数据增强技术有助于提高模型性能和稳定性.
结论:
- 深度学习,特别是CNN,在胸部X射线分析中显示出对精确和高效的结核病检测具有重大前景.
- 自主训练的CNN模型可以有效地优化用于医学图像分析任务,潜在地优于传统的转移学习.
- 未来的研究应该专注于来自临床环境的更大,更多样化的数据集,以进一步验证和完善这些人工智能驱动的诊断工具,以便更广泛的医疗应用.
