在胸部X射线成像中可靠的肺炎检测通过注意引导的深度学习

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 计算神经科学是一种神经科学.

背景情况:

• 肺炎是全球主要的健康问题,特别是在弱势群体中.
• 对于肺炎诊断的胸部X射线 (CXR) 的手动解释,在准确性和一致性方面面临挑战.
• 需要自动诊断工具来提高临床环境中的效率和可靠性.

研究的目的:

• 开发和评估一种新的以注意力为导向的深度学习框架,用于从CXRs中准确和可解释的肺炎检测.
• 通过整合空间,时间和生物启发的处理来提高诊断性能.
• 提高基于人工智能的肺炎诊断的稳定性和可靠性.

主要方法:

• 一个深度学习框架,用于空间特征的卷积神经网络 (CNN).
• 用于捕捉图像序列中的时间依赖性而设计的门式循环单位 (GRU).
• 基于尖的神经处理,以提高生物效率和噪声耐受性.
• 一个注意力机制,以突出显示临床相关区域的可解释性.

主要成果:

• 拟议的模型在公开的CXR数据集上实现了99.35%的高诊断准确率.
• 获得了卓越的精度,回忆和F1分数,表明强大的诊断性能.
• 该模型在各种图像扭曲,包括噪音和模糊等方面表现出显著的稳定性.

结论:

• 注意引导的深度学习框架为肺炎检测提供了有效,可靠和透明的解决方案.
• 这种人工智能方法对临床整合有希望,特别是在资源有限的医疗环境中.
• 生物启发的组件提高了模型的效率和对图像工件的弹性.