基于微调深度迁移学习模型集成的胸部X光图像肺炎分类方法
图像与视频处理
2021-02-18 v1 计算机视觉与模式识别
机器学习
摘要
肺炎由感染肺部的病毒、细菌或真菌引起，若未诊断，可能致命并导致呼吸衰竭。美国每年有超过25万人（主要是成年人）被诊断患有肺炎，其中5万人死于该疾病。胸部放射摄影（X光）被放射科医生广泛用于检测肺炎。训练有素的放射科医生漏检肺炎也并不罕见，这引发了对提高诊断准确性的需求。在这项工作中，我们提出使用迁移学习，其可减少神经网络的训练时间并最小化泛化误差。我们训练并微调了诸如InceptionResNet、MobileNetV2、Xception、DenseNet201和ResNet152V2等最先进的深度学习模型，以准确分类肺炎。随后，我们创建了这些模型的加权平均集成，取得了98.46%的测试准确率、98.38%的精确率、99.53%的召回率和98.96%的f1分数。这些准确率、精确率和f1分数等性能指标均达到文献报道的最高水平，可视为准确肺炎分类的基准。
引用
@article{arxiv.2011.05543,
title = {An ensemble-based approach by fine-tuning the deep transfer learning models to classify pneumonia from chest X-ray images},
author = {Sagar Kora Venu},
journal= {arXiv preprint arXiv:2011.05543},
year = {2021}
}