一个基于波形和局部二进制模式的特征描述器,用于通过胸部X射线图像检测慢性感染
Amar Kumar Verma1, Prerna Saurabh1, Deep Madhukant Shah1
1Department of Electrical and Electronics, Birla Institute of Technology and Science-Pilani, Hyderabad, Telangana, India.
概括
一个新的基于波形和局部二进制模式的Xception特征描述器 (WLBPXD) 框架准确地从X射线中检测出COVID-19等慢性感染. 这种深度学习方法为早期发现疾病的传统测试提供了更快,更有效的替代方案.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 传染病诊断 传染病诊断 传染病诊断
背景情况:
- 通过RT-PCR诊断慢性感染的传统方法,如COVID-19,耗时且资源密集.
- 胸部X射线和计算机断层扫描 (CT) 扫描为识别慢性感染提供了可行的替代方案.
- 早期和准确的慢性感染检测对于有效的临床管理和公共卫生至关重要.
研究的目的:
- 提出一个新的深度学习框架,基于波形和局部二进制模式的Xception特征描述器 (WLBPXD),用于对慢性感染进行分类.
- 评估WLBPXD在使用医学成像数据诊断慢性感染方面的疗效.
- 与现有方法相比,提高慢性感染检测的准确性和效率.
主要方法:
- 医疗图像 (X射线) 用离散波波变换 (DWT) 和局部二进制模式 (LBP) 技术进行了转换.
- 通过使用预训练的深度学习模型提取特征:AlexNet,Xception,VGG-16和Inception Resnet50.
- 提取的特征被合并并分类,以识别慢性感染.
主要成果:
- 与DWT相结合的AlexNet模型实现了99.7%的诊断准确度.
- 结合LBP的AlexNet模型实现了99.6%的诊断准确度.
- 拟议的WLBPXD框架在从X射线图像中分类慢性感染方面表现出高度准确性.
结论:
- WLBPXD框架提供了一种高度准确和高效的方法,用于从医疗图像中检测慢性感染.
- 这种深度学习方法显著提高了早期检测能力,有助于临床决策.
- 这项研究强调了人工智能支持的图像分析在革命性传染病诊断中的潜力.
