文献类型：期刊文章

作　　者：张晓熙[1,2] 王远涵[1,2] 杨顷落[1,2] 黄雪[1,2] 余红梅[1,2] 武淑琴[2,3]

Zhang Xiaoxi;Wang Yuanhan;Yang Qingluo(Department of Health Statistics,School of Public Health,Shanxi Medical University(030000),Taiyuan)

机构地区：[1]山西医科大学公共卫生学院卫生统计学教研室,030000 [2]重大疾病风险评估山西省重点实验室 [3]山西医科大学基础医学院数学教研室

出　　处：《中国卫生统计》

基　　金：国家自然科学基金面上项目(82273742)。

年　　份：2024

卷　　号：41

期　　号：3

起止页码：365-369

语　　种：中文

收录情况：BDHX、BDHX2023、CSCD、CSCD2023_2024、JST、RCCSE、ZGKJHX、核心刊

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。

关 键 词：肺部疾病 模型构建 深度学习  影像识别  

分 类 号：R195.1]