对 EfficientNet CNN 模型进行多标签胸部X射线疾病诊断的比较

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机科学 计算机科学

背景情况:

• 胸部X射线分析至关重要,但由于复杂性和人为错误的可能性而具有挑战性.
• 现有的深度学习模型用于胸部X射线诊断通常具有高的计算成本和有限的成功率.

研究的目的:

• 从胸部X射线图像开发一种新,轻量级,快速的深度学习架构,用于从胸部X射线图像中多类自主检测14种疾病.
• 为了提高性能和降低以前的胸部X射线诊断模型的计算成本.

主要方法:

• 利用胸部X-Ray14数据集 (112,104个标记图像) 进行培训和测试.
• 实施和评估了八个EfficientNet架构 (B0-B7),这些架构与协调注意力机制集成.
• 提出了一种混合,基于注意力的深度学习架构.

主要成果:

• 效率网B7模型实现了0.8265.5的AUC.
• 通过协调注意力增强的EfficientNet实现了0.8309.9的更高AUC.
• 与现有研究相比,拟议的模型表现出优越的性能,特别是14个疾病类中的8个.

结论:

• 开发的轻量级和快速的深度学习架构有效地支持放射科医生在疾病诊断中.
• 使用这种技术的自主诊断系统可以通过防止误诊和不足诊断来提高医疗保健.