基于混合深度学习从 X 射线图像检测肺部疾病
图像与视频处理
2021-01-13 v3 计算机视觉与模式识别
机器学习
摘要
肺部疾病在世界范围内十分常见，包括慢性阻塞性肺疾病、肺炎、哮喘、结核病、肺纤维化等。肺部疾病的及时诊断至关重要。为此已开发了许多图像处理与机器学习模型。现有多种深度学习技术形式，包括卷积神经网络（CNN）、原始神经网络、基于视觉几何群的网络（VGG）和胶囊网络，均被应用于肺部疾病预测。基础 CNN 对旋转、倾斜或其他异常图像朝向性能较差。因此，我们提出一种新的混合深度学习框架，将 VGG、数据增强和空间变换网络（STN）与 CNN 结合。这一新混合方法在此称为 VGG Data STN with CNN（VDSNet）。实现工具采用 Jupyter Notebook、Tensorflow 和 Keras。新模型应用于从 Kaggle 仓库收集的 NIH 胸部 X 射线图像数据集。考虑了该数据集的完整版与样本版。对于完整版和样本版数据集，VDSNet 在精确率、召回率、F0.5 分数和验证准确率等多项指标上均优于现有方法。在完整数据集下，VDSNet 的验证准确率为 73%，而原始灰度、原始 RGB、混合 CNN 与 VGG、改进胶囊网络的准确率分别为 67.8%、69%、69.5%、60.5% 和 63.8%。当使用样本数据集而非完整数据集时，VDSNet 以略低的验证准确率为代价大幅降低了训练时间。因此，所提出的 VDSNet 框架将简化专家及医生对肺部疾病的检测。
引用
@article{arxiv.2003.00682,
title = {Hybrid Deep Learning for Detecting Lung Diseases from X-ray Images},
author = {Subrato Bharati and Prajoy Podder and M. Rubaiyat Hossain Mondal},
journal= {arXiv preprint arXiv:2003.00682},
year = {2021}
}
备注
13 figures