面向多标签放射术图像分类的定位启用深度神经网络 LeDNet

多标签放射术图像分类一直是神经网络研究中的热门话题。本文旨在使用带有新型定位技术的卷积神经网络对此类图像进行分类。我们将使用胸部 X 光图像来检测胸部疾病。对于准确诊断，必须使用高质量图像来训练网络。但许多胸部 X 光图像存在无关外部物体，如由扫描故障引起的干扰、扫描时电子设备误置于肺部区域附近、扫描不慎捕获身体空气等。为解决这些问题，我们提出了一种称为 LeDNet 的定位与深度学习算法的组合，用于提高胸部疾病的检测准确率。我们通过定位识别和提取胸部 X 光图像中的肺区域掩码。这些掩码被叠加在原始 X 光图像上，以创建掩码叠加图像。随后使用 DenseNet-121 分类模型进行特征选择，以检索整个胸部 X 光图像和局部化掩码叠加图像的特征。这些特征随后用于预测疾病分类。我们的实验涉及使用原始 CheXpert 图像和掩码叠加图像所获得的分类结果之间的比较。该比较通过准确率和损失曲线分析进行展示。