基于迁移学习和定制 CNN 架构注意力机制的深层学习肺病分类
图像与视频处理
2024-08-26 v1 计算机视觉与模式识别
摘要
每年都有许多人因肺部疾病死亡。X 光扫描是检测一个人是否患有肺部疾病的有效方式。本研究聚焦于对三种不同类型的肺部 X 光扫描进行分类：显示健康肺部的、显示肺部浸润的以及显示病毒性肺炎的。及早准确诊断疾病至关重要。本文将对 Lung X-ray Image Dataset 测试五种不同的预训练模型。SqueezeNet、VGG11、ResNet18、DenseNet 和 MobileNetV2 分别实现了 0.64、0.85、0.87、0.88 和 0.885 的准确率。MobileNetV2 作为表现最好的预训练模型，将进一步进行分析。最终，我们基于 MobileNetV2 开发了自己的模型——MobileNet-Lung，通过微调和在特征层中添加注意力层来解决肺病分类任务，实现了 0.933 的准确率。这一结果显著优于所有五种预训练模型。
引用
@article{arxiv.2408.13180,
title = {Deep Learning for Lung Disease Classification Using Transfer Learning and a Customized CNN Architecture with Attention},
author = {Xiaoyi Liu and Zhou Yu and Lianghao Tan},
journal= {arXiv preprint arXiv:2408.13180},
year = {2024}
}