一个包含深度可分离卷积的深度网络,用于胸部X射线图像的病理诊断:一个模型开发和验证研究
Na Zhang1, Guanghong Deng2, Wenlong Jing3
1Department of Emergency Medicine Sun Yat-sen Memorial Hospital of Sun Yat-sen University Guangzhou P.R. China.
Health science reports
|December 29, 2025
概括
一个新的深度学习网络,TDCheXNet,将胸部X射线病理检测精度提高0.5%,并加快图像分析速度. 这一进步有助于更有效地通过胸部X射线诊断疾病.
科学领域:
- 医学成像分析 医学成像分析
- 放射学中的深度学习
- 医疗保健中的人工智能
背景情况:
- 从胸部X射线图像的病理诊断提出了重大挑战.
- 精确有效地解释放射性发现对于患者护理至关重要.
- 现有的深度学习模型需要优化以提高性能.
研究的目的:
- 开发和评估一种新的深度学习网络,用于增强胸部X射线病理检测.
- 提高放射图像中自动疾病识别的准确性和效率.
- 为了解决当前胸部X射线分析技术的局限性.
主要方法:
- 提出了TDCheXNet,这是一个将两个深度可分离的卷积融合在一起的网络,用于病理检测.
- 通过嵌入深度可分离的卷积来进行下方采样,删除转换层来修改CheXNet.
- 增强了最初的卷积层,增加了深度可分离的卷积,以捕获更多的病理信息.
主要成果:
- 在胸部X射线14数据集上,TDCheXNet在接收器操作特征曲线 (AUROC) 下实现了82.8%的面积.
- 该网络显示每个图像的检测速度为178.794毫秒.
- 与原始模型相比,TDCheXNet的平均AUROC提高了0.5%,推断速度增加了14.946 ms.
结论:
- 拟议的TDCheXNet网络为胸部X射线病理检测提供了卓越的性能.
- 实验结果证实了网络在大型公共数据集上的有效性.
- 这项研究强调了深度可分离卷积在医学图像分析中的潜力.
