一种轻量级的混合DL模型,用于对肺部疾病进行多类胸部X射线分类
J Glory Precious1, Rajkumar S1, Sarayu Pratika B1
1Centre of Excellence in Medical Imaging, Department of Biomedical Engineering, Rajalakshmi Engineering College, Thandalam, Tamil Nadu, India.
Biomedical physics & engineering express
|July 24, 2025
概括
这项研究引入了一种混合深度学习和支持矢量机 (SVM) 模型,用于将胸部X射线 (CXR) 分类为COVID-19,结核病,肺炎或正常病例. 这种新的方法实现了97%的准确性,为诊断肺部疾病提供了可靠的工具.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 肺部疾病对全球健康构成重大挑战.
- 深度学习增强了医疗图像分析,以提高诊断准确度.
- 通过胸部X射线 (CXR) 准确诊断呼吸道疾病对于有效治疗至关重要.
研究的目的:
- 开发一种混合模型,将CXR图像分为四类:COVID-19,结核病,肺炎和正常.
- 提高分类准确度,减少CXR分析的培训时间.
主要方法:
- 开发了一种混合方法,将预先训练的深度学习模型 (MobileNet) 与支持矢量机 (SVM) 分类器相结合.
- 评估了多个预先训练的架构 (DenseNet,MobileNet,EfficientNetB0和EfficientNetB3),并进行了评估.
- 班级权重被用来解决训练期间的班级不平衡.
主要成果:
- 移动网在最初的分类中实现了94%的准确性.
- 混合型MobileNet-SVM模型的最终分类准确率达到了97%.
- 拟议的方法证明了可靠性和临床应用的潜力.
结论:
- 混合深度学习和SVM模型为CXR图像的分类提供了一个高度准确和可靠的方法.
- 这种方法在改善临床环境中肺部疾病的诊断方面显著有前途.
更多相关视频
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.6K
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
681
