基于深度学习的胸部X射线图像识别及分类模型研究

作     者：张晓熙 王远涵 杨顷落 黄雪 余红梅 武淑琴 Zhang Xiaoxi;Wang Yuanhan;Yang Qingluo

作者机构：山西医科大学公共卫生学院卫生统计学教研室030000 重大疾病风险评估山西省重点实验室 山西医科大学基础医学院数学教研室 

出 版 物：《中国卫生统计》 (Chinese Journal of Health Statistics)

年 卷 期：2024年第41卷第3期

页      面：365-369,375页

核心收录：

学科分类：1004[医学-公共卫生与预防医学(可授医学、理学学位)] 100401[医学-流行病与卫生统计学] 10[医学] 

基　　金：国家自然科学基金面上项目(82273742) 

主　　题：肺部疾病 模型构建 深度学习 影像识别 

摘      要：目的以深度学习中的卷积神经网络为基础搭建胸部X射线(chest X-ray,CXR)图像分类模型,为肺部疾病提供可靠的辅助诊断技术。方法经KAGGLE数据库收集新冠肺炎、轻度肺部感染、病毒性肺炎及正常的四种胸部X射线图片,按3∶1∶1的比例将数据随机划分成训练集,测试集和验证集;基于卷积神经网络架构搭建CXR图像分类模型,调节超参数对模型进行加强和优化;后通过混淆矩阵、准确率、灵敏度、K折交叉验证结果等指标对模型进行验证及评价。结果本研究模型对肺部影像图片的分类准确率为0.81、灵敏度为0.80、测试集和验证集损失值能够稳定在一个较低的水平。与相同迁移算法的模型相比,在测试数据集上的精确率、准确率、灵敏度、F1分值分别提高了1.7%、1.7%、1.3%、2.9%。结论此模型对于CXR图像的识别和分类的性能更强,可以更有效地应用于肺部疾病的辅助分析和判断。