深度 CNN 架构在肺炎检测中的对比研究

肺炎是一种由细菌或病毒引起的呼吸道感染，影响大量人群，尤其在发展和贫困国家，这些地区常出现高污染、不洁生活条件和过度拥挤，且医疗基础设施不足。肺炎会引发胸腔积液，即液体充满肺部并导致呼吸困难。肺炎的早期检测对于确保治愈性护理和提高存活率至关重要。最常用于诊断肺炎的方法是胸部 X 光成像。本工作的目的是开发一种从数字 X 光图像中自动诊断细菌性及病毒性肺炎的方法。本文首先介绍作者的技术，然后就肺炎可靠诊断领域的近期进展给出全面报告。在本研究中，我们调优了一个最先进的深度卷积神经网络以基于图像对植物病害进行分类并测试其性能。对深度学习架构进行了实证比较。测试的架构包括 VGG19、ResNet with 152v2、Resnext101、Seresnet152、Mobilenettv2 和 DenseNet with 201 layers。实验数据由两组组成：患病与健康的 X 光图片。为尽快对植物病害采取适当措施，快速病害识别模型更受青睐。DenseNet201 在我们的实验中未出现过拟合或性能下降，且其准确率随训练轮数增加而趋于提升。此外，DenseNet201 以显著更少的参数量和合理的计算时间达到了最先进性能。该架构在测试准确率上以 95% 的分数优于其他模型。各架构均使用 Keras 训练，后端为 Theano。