基于自适应利他粒子群优化的深度特征选择方法用于胸片肺炎检测
图像与视频处理
2022-08-12 v1 计算机视觉与模式识别
神经与进化计算
摘要
肺炎是儿童死亡的主要原因之一，尤其在世界上收入匮乏的地区。尽管使用非常简单的仪器和药物即可检测和治疗，肺炎检测在发展中国家仍是一大难题。基于计算机辅助诊断（CAD）的系统因其比专业医疗专家运营成本更低，可用于此类国家。本文中，我们提出一种用于胸片肺炎检测的 CAD 系统，采用深度学习与元启发式算法的思想。我们首先从预训练的 ResNet50 中提取深度特征，并在目标肺炎数据集上微调。然后，我们提出一种基于粒子群优化（PSO）的特征选择技术，其利用基于记忆的自适应参数进行修改，并通过在智能体中融入利他行为得以增强。我们将所提特征选择方法命名为自适应利他 PSO（AAPSO）。该方法成功剔除了 ResNet50 模型所得的非信息性特征，从而提升了整体框架的肺炎检测能力。在公开肺炎数据集上的大量实验与深入分析确立了所提方法相对于其他若干肺炎检测框架的优越性。除肺炎检测外，AAPSO 还在一些标准 UCI 数据集、用于癌症预测的 gene expression 数据集以及 COVID-19 预测数据集上进行了评估。总体结果令人满意，从而确认了 AAPSO 在处理多样实际生活中的问题的有用性。本工作的支持源代码可在 https://github.com/rishavpramanik/AAPSO 找到。
引用
@article{arxiv.2208.03558,
title = {An Adaptive and Altruistic PSO-based Deep Feature Selection Method for Pneumonia Detection from Chest X-Rays},
author = {Rishav Pramanik and Sourodip Sarkar and Ram Sarkar},
journal= {arXiv preprint arXiv:2208.03558},
year = {2022}
}
备注
Accepted in Applied Soft Computing, Elsevier