基于深度学习的儿童肺炎诊断：利用胸X光成像
图像与视频处理
2026-01-05 v1 计算机视觉与模式识别
机器学习
摘要
儿童肺炎仍是全球儿童死亡和患病的主要原因之一。及时和准确的诊断至关重要，但常常受到有限的放射学专业知识以及儿童影像的生理和程序复杂性的挑战。本研究检验了采用迁移学习的多种最先进的卷积神经网络（CNN）架构ResNetRS、RegNet和EfficientNetV2，用于自动分类儿童胸片图像为肺炎或正常。从公开数据集最初包含5856幅儿童图像中提取了1000幅胸X光图像的精选子集。所有图像都被预处理并标记为二分类。每个模型都使用预训练的ImageNet权重进行微调，并基于准确率和灵敏度进行评估。RegNet实现了最高的分类性能，准确率为92.4，灵敏度为90.1，其后是ResNetRS（准确率：91.9，灵敏度：89.3）和EfficientNetV2（准确率：88.5，灵敏度：88.1）。
引用
@article{arxiv.2601.00041,
title = {Deep Learning Approach for the Diagnosis of Pediatric Pneumonia Using Chest X-ray Imaging},
author = {Fatemeh Hosseinabadi and Mohammad Mojtaba Rohani},
journal= {arXiv preprint arXiv:2601.00041},
year = {2026}
}
备注
9 pages, 3 figures