基于Epanechnikov非参数核密度估计的呼吸疾病胸片图像特征学习
计算机视觉与模式识别
2025-11-04 v1
摘要
本研究提出了一种新方法，用于基于图像数据诊断呼吸疾病。该方法将Epanechnikov非参数核密度估计（EKDE）与双模Logistic回归分类器结合为统计模型驱动的学习方案。EKDE在不假设特定形状的情况下灵活地建模数据分布，并且能够适应像素强度变化，对于从医学图像中提取关键特征具有重要价值。该方法在从COVID-19 Radiography数据集中随机抽取的13808张胸片上进行测试，实现了70.14%的准确率、59.26%的灵敏度和74.18%的特异度，显示出在检测呼吸疾病方面具有中等水平的性能，灵敏度仍有提升空间。虽然临床专业知识对于进一步细化模型仍至关重要，但本研究表明了EKDE基于方法在提高医学影像诊断准确性和可靠性方面的潜力。
关键词
引用
@article{arxiv.2511.01098,
title = {Epanechnikov nonparametric kernel density estimation based feature-learning in respiratory disease chest X-ray images},
author = {Veronica Marsico and Antonio Quintero-Rincon and Hadj Batatia},
journal= {arXiv preprint arXiv:2511.01098},
year = {2025}
}
备注
12 pages, 6 figures, 3 tables