一个高效的注意力Densenet与LSTM用于肺部疾病的检测和分类使用X射线图像支持的自适应R2-Unet的图像细分
Sashi Kanth Betha1, Dondapati Rajendra Dev2, Kalyani Sunkara3
1Department of ECE & CSE, Vignan's Institute of Engineering for Women, Kapujaggrajupeta, Visakhapatnam, India.
Archives of physiology and biochemistry
|July 1, 2025
概括
一个新的深度学习框架准确地从X射线检测到肺部疾病. 拟议的模型实现了93.92%的分类准确性,超过了改善患者诊断的现有方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 肺部疾病对全球健康造成重大负担,需要精确的诊断工具.
- 准确和早期发现肺部疾病对于有效的患者管理和改善结果至关重要.
研究的目的:
- 引入一种新的深度学习框架,用于从胸部X射线图像中增强肺部疾病分类.
- 通过先进的图像分析技术,提高肺病诊断的准确性和效率.
主要方法:
- 一个包含图像采集,细分和使用深度学习进行分类的三阶段框架.
- 通过通过增强的气泡鱼优化算法 (EPOA) 优化的适应性循环残留U-Net (AR2-UNet) 执行的肺部细分.
- 使用基于注意力的密集网络与长期短期记忆 (ADNet-LSTM) 模型进行分类.
主要成果:
- 拟议的ADNet-LSTM模型实现了最高的分类准确率93.92%.
- 显著超过基线模型的表现:ResNet (90.77%),Inception (89.55%),DenseNet (89.66%) 和LSTM (91.79%).
- 在强壮的肺病分类中表现优异.
结论:
- 开发的深度学习框架为肺部疾病检测提供了可靠和高效的解决方案.
- 拟议的模型支持临床医生实现更早,更准确的诊断.
- 突出了先进的人工智能在医疗诊断中的潜力,以改善患者护理.
