混合深度学习和机器学习框架用于在胸部X射线图像中自动检测肺炎
Akshay S1, Sneha Kashyap1, Danikk Patel H N1
1Department of Computer Science, School of Computing, Amrita Vishwa Vidyapeetham, Mysuru, Karnataka, India.
MethodsX
|December 17, 2025
概括
这项研究引入了一种混合深度学习方法,使用VGG16和ResNet来通过胸部X射线准确检测肺炎. 该方法提高了随机森林和支持向量机分类器的诊断解释性.
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:
- 肺炎对健康构成重大风险,需要准确及时诊断.
- 区分肺部和正常胸部X射线对于有效治疗至关重要.
研究的目的:
- 开发一种混合深度学习系统,通过胸部X射线精确检测肺炎.
- 与单一模型方法相比,提高诊断准确性和可解释性.
主要方法:
- 图像预处理:直方图平衡,对比度正常化,灰度转换.
- 使用VGG16和ResNet进行混合特征提取,然后进行特征融合.
- 尺寸缩小与主要组件分析 (PCA) 保持95%的差异.
- 使用支持矢量机 (SVM) 和随机森林 (RF) 分类器进行分类.
主要成果:
- 双CNN特征融合方法证明了有效的肺炎识别.
- 通过PCA优化的特征尺寸提高了模型的效率和准确性.
- SVM和RF分类器提供了更易于解释的诊断结果.
结论:
- 拟议的混合深度学习模型为肺炎检测提供了一个强大的方法.
- 将VGG16和ResNet功能与PCA和可解释分类器相结合,可以提高诊断能力.
