基于多模型特征融合的自动儿童肺炎诊断,使用千-平方特征选择
Amira Ouerhani1, Tareq Hadidi2, Hanene Sahli3
1Research Laboratory of Biophysics and Medical Technologies, Higher Institute of Medical Technologies of Tunis, University of Tunis El Manar, Tunis 1006, Tunisia.
Journal of imaging
|February 26, 2026
概括
这项研究引入了一种先进的深度学习方法,用于使用CNN模型的融合特征来检测儿童肺炎. 这种方法显著提高了诊断的准确性,有助于及时有效地检测.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 儿科诊断 儿科诊断 儿科诊断
背景情况:
- 儿童肺炎是导致死亡的主要原因,而胸部放射 (CXR) 对于诊断至关重要.
- 在儿科CXR中准确检测肺炎是具有挑战性的,因为辐射暴露低和传统方法的局限性.
- 深度学习,特别是卷积神经网络 (CNN),在改善医疗图像分析方面表现有前途.
研究的目的:
- 为儿童胸部X射线提出一个准确的肺炎检测方法.
- 为了利用深度CNN架构和最佳功能融合,提高诊断性能.
- 改善儿童肺炎的及时检测,特别是在资源有限的医疗保健机构.
主要方法:
- 培训增强了VGG-19,ResNet-50和MobileNet-V2模型在一个大型的肺炎数据集上使用转移学习.
- 应用千方形技术,从每个CNN模型中删除不相关的特征.
- 执行从VGG-19和MobileNet-V2中选择的特征的水平特征融合,使用支持矢量机 (SVM) 分类器进行二进制分类.
主要成果:
- 拟议的融合特征方法实现了高性能指标:97.59%的准确率,98.33%的回忆率和98.19%的F1评分.
- 该方法与现有的集体融合技术相比,显示出显著的性能提升.
- 该系统确保了计算效率,同时提供了强大的特征表示.
结论:
- 开发的融合功能深度CNN系统在准确及及时检测儿童肺炎方面取得了重大进展.
- 这种方法具有广泛应用的潜力,特别是在资源有限的医疗保健系统中.
- 这项研究强调了将深度学习模型和特征融合用于儿科诊断成像的有效性.
