对肺部疾病分类深度学习方法的评估
Ajay Pal Singh1, Ankita Nigam1, Gaurav Garg2
1Department of Computer Science and Engineering, Mahakaushal University, Jabalpur-482003, India.
Current medical imaging
|July 22, 2025
概括
这项研究引入了一种多功能深度学习模型,用于从音频录音中诊断肺部疾病. 该模型实现了92%的准确性,超过了传统方法,并解决了噪音和不平衡数据集等挑战.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的人工智能
- 信号处理 信号处理
背景情况:
- 由于污染和感染,肺部疾病的患病率越来越高,需要改进诊断工具.
- 目前的诊断方法需要进步,以提高准确性和效率.
研究的目的:
- 开发和评估一个多功能深度学习模型,用于从听觉记录中增强肺部疾病分类.
- 通过整合多种音频功能和先进的神经网络架构来提高疾病检测的准确性.
主要方法:
- 提取音频特征,包括光谱图,色谱图和Mel频率 Cepstral 系数 (MFCC).
- 基于过器的音频增强技术的应用,以减轻背景噪声.
- 使用卷积神经网络 (CNN) 进行特征提取和密集神经网络进行分类.
主要成果:
- 深度学习模型 (CNN,RNN) 的准确度达到70-85%,超过了传统的机器学习.
- 综合CNN,RNN和长短期记忆模型的准确率达到88%.
- 拟议的多功能深度学习模型整合了MFCC,Chroma STFT和光谱图,达到92%的最高精度.
结论:
- 该研究成功开发了一种高精度的肺病分类模型,达到92%的精度.
- 该方法解决了诸如背景噪音和不平衡数据集等常见挑战.
- 研究结果表明,多功能深度学习的潜力可用于改善诊断肺部疾病的临床应用.
