先进的肺部疾病检测:CBAM增强,轻量级高效NetB2与视觉洞察力
A Beena Godbin1, S Graceline Jasmine1
1School of Computer Science and Engineering, Vellore Institute of Technology, Chennai, India.
Current medical imaging
|November 21, 2024
概括
这项研究引入了一种深度学习方法,用于通过胸部X射线检测肺部疾病. 该模型在未见的图像上实现了99.3%的准确性,为放射科医生提供了宝贵的工具.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 胸部X射线对于诊断肺部疾病至关重要.
- 深度学习模型在医学图像分析方面表现有前途.
- 准确和快速的诊断对于患者的治疗结果至关重要.
研究的目的:
- 开发一种使用胸部X射线图像检测肺部疾病的多通道深度学习方法.
- 为了提高COVID-19的分类准确性,病毒性肺炎和正常的胸部X射线.
- 为了提高AI模型在放射学中的解释性和临床实用性.
主要方法:
- 使用EfficientNetB0-B7预训练模型进行特征提取.
- 定制了EfficientNetB2模型,其中包括Squeeze-and-Excitation (SE) 块和卷积块注意模块 (CBAM).
- 实现多级特征融合和额外的卷积层,以增强特征提取.
主要成果:
- 在识别未见的胸部X射线图像方面达到99.3%的准确性.
- 与现有技术相比,表现出优越的性能.
- 突出了该模型在各种数据集上的稳定性和通用性.
结论:
- 拟议的深度学习方法提供了准确和快速的 point-of-care诊断.
- 可视化技术为模型的决策过程提供了洞察力.
- 这个工具可以帮助医疗保健放射科医生在临床实践中.
