转移学习与模糊的决策支持为多类肺病分类:预训练CNN模型的性能分析

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:

• 从医学图像中准确地分类肺病,对于及时诊断和治疗至关重要.
• 传统的计算机辅助诊断系统在处理肺病理的复杂性和不确定性方面面临着挑战.

研究的目的:

• 通过将转移学习与模糊决策支持系统相结合,开发和评估一种用于多类肺病分类的新方法.
• 通过使用胸部X射线图像来提高自动肺病诊断的准确性和可解释性.

主要方法:

• 用预先训练的卷积神经网络 (CNN) 架构 (VGG16,VGG19,ResNet50) 适应肺部疾病分类的员工转移学习.
• 集成了一个模糊逻辑决策层来管理医疗图像分类中的不确定性.
• 利用k-symbol Lerch超越函数进行图像增强,分别提高了23.4%和18.7%的对比度和特征可见性.
• 在6个疾病类别的8409张胸部X射线图像数据集上评估了模型.

主要成果:

• 基于ResNet50和模糊集成的模型实现了最高的准确性 (98.7%),灵敏度 (98.4%) 和特异性 (98.8%).
• 拟议的方法在分类不确定的病例 (8.4%的增强) 中显著改善,传统的CNN信心较低.
• 模糊推理提供了透明的推理,平均每项决定有8.4条规则,提高了临床解释性,同时保持了实时处理 (每张图像0.23秒).

结论:

• 转移学习和模糊逻辑的整合为自动化多类肺部疾病分类提供了强大的和可解释的解决方案.
• 这种方法显著提高了肺病理的计算机辅助诊断系统的诊断准确度和不确定性处理.
• 开发的系统显示出临床应用的前景,帮助放射科医生更快,更可靠地检测肺部疾病.