使用 CNN MobileNetV2 和从零开始搭建的 CNN 进行肺炎检测中的诊断不确定性
图像与视频处理
2025-05-06 v1 人工智能
计算机视觉与模式识别
摘要
肺炎诊断虽然对有效治疗至关重要，但可能受到不确定性的阻碍。这种不确定性源于一些因素，如非典型表现、诊断工具（如胸部 X 光片）的局限性以及共存呼吸系统疾病的存在。本研究提出了一种监督学习方法，即卷积神经网络（CNN）。使用 MobileNetV2 作为预训练模型，其架构为 ResNet101V2，并使用 Keras API 构建从零开始的模型，用于识别肺部疾病，尤其是肺炎。本研究使用的数据集通过 Kaggle 网站获取。结果表明，通过实现 CNN MobileNetV2 和从零开始的 CNN，结果令人鼓舞。在验证数据时，MobileNetV2 表现稳定且过拟合程度最小，训练准确率提高到 84.87% 后略微下降至 78.95%，验证损失从 0.499 增加到 0.6345。尽管如此，MobileNetV2 更稳定，尽管训练每个 epoch 需要更多时间。同时，在第 10 个 epoch 之后，从零开始的模型尽管具有更高的验证准确率，但表现出更多的不稳定性和过拟合，训练准确率显著下降至 78.12%，验证损失从 0.5698 增加到 1.1809。基于这些结果，ResNet101V2 提供了稳定性，而从零开始的模型则提供了高准确率。
引用
@article{arxiv.2505.02396,
title = {Diagnostic Uncertainty in Pneumonia Detection using CNN MobileNetV2 and CNN from Scratch},
author = {Kennard Norbert Sudiardjo and Islam Nur Alam and Wilson Wijaya and Lili Ayu Wulandhari},
journal= {arXiv preprint arXiv:2505.02396},
year = {2025}
}