基于深度学习的肺炎图像目标检测

摘要：

肺炎是一种严重危害身体健康的疾病,通常使用肺部X光片进行检查.肺炎诊断是肺炎治疗前非常重要的环节,但是由于肺部其他疾病的干扰、医疗数据的爆发式增长以及专业病理医生的缺乏等,导致肺炎的准确诊断较为困难.深度学习能够模仿人脑的机制准确高效地解释医学图像数据,在肺炎图像检测方面获得了广泛应用.构建了 3种基于深度学习的图像目标检测模型,单发多框探测器(SSD)、faster-RCNN和faster-RCNN优化模型,对来自Kaggle数据集的26 684张带标签的肺部X光图像进行研究.原始X光图像经预处理后输入3种深度学习模型,分别对单处和两处病灶区域进行目标检测.随机选取500张测试图像,利用损失函数、分类准确率、回归精度和误检病灶数等指标对各模型的性能进行评估.结果表明,faster-RCNN的性能指标优于SSD;Faster-RCNN优化模型的性能指标均优于其他两种模型,其损失函数值小且可快速达到稳定,平均分类准确率为93.7％,平均回归精度为79.8％,且误检病灶数为0.该方法有助于肺炎的准确识别和诊断.

关键词：目标检测、肺炎图像、深度学习、更快速区域卷积神经网络(faster-RCNN)模型、单发多框探测器(SSD)模型

所属期刊栏目：41

分类号：R318(医用一般科学)

资助基金：国家自然科学基金;中国科学院重点实验室开放基金;高等学校学科创新引智计划

在线出版日期：2022-09-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：443-451