基于深度学习的肺部多疾病自动诊断

苟 鑫
西北民族大学

摘要

肺部疾病是常见的高发性疾病， X线检查是早期发现和诊断肺部疾病的首选影像学方法，现行医学影像人工阅片方式受医生水平和经验限制，并且容易受主观因素影响出现误诊和漏诊的现象。因此本文研究了基于深度学习的肺部疾病自动智能分类，目的在于辅助医师高效准确地进行肺部疾病诊断。首先利用对比度图像自适应阈值均衡化算法对数据进行了预处理，通过几何变换方法对数据集进行了扩充，从而构建了适合于深度学习模型的肺部疾病X线图像数据集。然后选用ResNet-50作为肺部疾病分类模型，利用GOOGL公司的开源深度学习框架TensorFlow进行了实验验证。实验结果表明ResNet-50模型在正常和肺炎两类肺部X光图像的特征提取和识别上效果最佳准确率分别达到了93%和86%。

关键词

ResNet-50；X线医学影像；肺部疾病分类

参考

[1]郭晓红,李一鸣.肺结核一线抗结核药物治疗的研究进展[J].医学综述,2021,27(05):948-951+956.[2]刘玉霞,邓宽国,尹石华,史健,王卫平,孙征,曲艳文,刘利.肺结核与支原体肺炎患者外周血淋巴细胞亚群及细胞因子分析[J].临床肺科杂志,2022,27(04):581-585.[3]王震,田军委.计算机视觉辅助训练系统研究——以射击类项目为例[J].西北大学学报(自然科学版),2013,43(04):563-567.DOI:10.16152/j.cnki.xdxbzr.2013.04.010.[4]夏秋婷. 基于深度学习的眼底视网膜图像多疾病分类研究[D].杭州电子科技大学,2020.DOI:10.27075/d.cnki.ghzdc.2020.000261.[5]张建波. 基于深度学习的肺部病变识别与诊断研究[D].天津理工大学,2021.DOI:10.27360/d.cnki.gtlgy.2021.000493.[6] Wang X, Peng Y, Lu L, Lu Z, Bagheri M, Summers RM. ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases. IEEE CVPR 2017[7]唐文举. 基于多特征融合与机器学习的散斑缺陷精确识别[D].电子科技大学,2021.DOI:10.27005/d.cnki.gdzku.2021.000472.[8]何迪. 基于深度学习的肺部X光图像分类与目标检测[D].西安电子科技大学,2021.DOI:10.27389/d.cnki.gxadu.2021.002733.[9]倪锦园,张建勋,张馨月.深度宽残差网络注意力机制的人脸表情识别[J].重庆理工大学学报(自然科学),2023,37(01):177-185.