通过分析胸部X射线图像来准确检测结核病障碍的自适应细分,使用多尺度残留密度与注意力机制
R Hemavathi1, T Suresh Balakrishnan1, D Jayalakshmi2
1Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences, Saveetha University, Chennai 602105 Tamilnadu, India.
Journal of clinical tuberculosis and other mycobacterial diseases
|November 24, 2025
概括
这项研究引入了一种先进的深度学习框架,用于使用胸部X射线 (CXRs) 自动检测结核病 (TB). 这种新的系统达到98%的准确性,在资源有限的环境中提高了诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 结核病 (TB) 是一个主要的全球健康问题,往往由专家放射科医生对胸部X射线 (CXR) 解释的有限访问加剧.
- 由于依赖专业人员,资源有限的环境在准确和及时的结核病诊断方面面临重大挑战.
研究的目的:
- 开发和评估一个先进的深度学习 (DL) 框架,用于从CXR图像中自动检测TB.
- 提高诊断准确度,减轻放射科医生在结核病查中的负担.
主要方法:
- 使用"VinDr-CXR"数据集开发了一种自适应细分方法 (Adaptive SegUnet),并通过时间到达顺序 (TOA) 进行了优化.
- 采用带有注意力机制的多尺度残留Densenet (MResDen-AM) 进行结核病分类,整合细分和分类以提高性能.
- 该方法结合了新的细分和分类技术,用于强大的结核病检测.
主要成果:
- 拟议的DL框架在通过CXR图像检测结核病方面实现了98%的高准确率.
- 与传统方法相比,在灵敏度,特异性方面表现出显著的改进,并降低了假阳性率.
- 适应性SegUnet和MResDen-AM的综合方法在实验评估中被证明是优越的.
结论:
- 开发的自动检测系统为结核病查提供了强大而准确的解决方案.
- 这一框架有可能彻底改变结核病诊断,特别是在医疗资源有限的地区.
- 该研究强调了深度学习与注意力机制在改善结核病检测结果方面的有效性.
