胸部X射线图像中的肺部疾病分类使用最佳交叉阶段部分双向长期短期记忆
T Babu1, G V Sam Kumar2, L Kartheesan3
1Department of Electrical and Electronic Engineering, St Joseph's College of Engineering, Chennai, India.
Journal of X-ray science and technology
|May 9, 2025
概括
这项研究引入了一个最佳交叉阶段部分双向长期短期记忆 (OCBiNet) 模型,用于准确的肺部疾病分类. 深度学习方法显著改善了COVID,肺炎和不透明等疾病的检测,并且具有高精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 肺部疾病对呼吸系统健康和生存构成重大威胁.
- 目前的肺病分类方法在准确性,计算复杂性和过度配合方面面临挑战.
- 深度学习提供了一个有希望的途径来解决肺部疾病检测的这些局限性.
研究的目的:
- 提出一种先进的深度学习模型,用于准确分类各种肺部疾病.
- 在检测精度和计算效率方面克服现有模型的局限性.
- 开发一个强大的系统来识别COVID,肺部不透明,肺炎和正常的肺部疾病.
主要方法:
- 图像预处理包括数据增强,过和大小调整.
- 基于值的细分来隔离相关的肺部区域.
- 使用最佳交叉阶段部分双向长期短期内存 (OCBiNet) 网络进行分类.
- 优化模型参数与改进母优化 (ImMO) 算法,结合物流混乱映射.
主要成果:
- 改进的母优化 (ImMO) 算法证明了全球解决方案的增强趋同.
- OCBiNet模型在肺部疾病分类中实现了高性能指标.
- 评估的指标包括准确性 (99.11%),回忆力 (98.98%),精度 (99.18%) 和F-Score (99.08%).
结论:
- 拟议的OCBiNet模型在肺部疾病分类方面表现卓越.
- 整合ImMO算法提高了深度学习模型的效率和准确性.
- 这些发现表明,自动肺部疾病检测系统取得了重大进展.
更多相关视频
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
502
08:05Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
Published on: December 19, 2020
14.0K
