Deep Learning for Chest Radiographs: Computer-Aided Classification
A Deep Learning for Chest Radiographs a szerzők által alkalmazott különböző stratégiákat sorolja fel egy hatékony, konvolúciós neurális hálózaton alapuló, számítógépes osztályozási (CAC) rendszer kialakításához, amely a mellkasi röntgenfelvételek bináris osztályozását végzi "Normál" és "Tüdőgyulladás" kategóriákba. A tüdőgyulladás többnyire baktérium vagy vírus által okozott fertőző betegség. E fertőző betegség elsődleges célpontjai az 5 év alatti gyermekek és a 65 év feletti felnőttek, főként gyenge immunitásuk és alacsonyabb gyógyulási arányuk miatt. A tüdőgyulladás világszerte elterjedt, és minden más immunitáson alapuló betegséghez képest több gyermeket öl meg, évente a gyermekhalálozás akár 15%-át is okozhatja, különösen a fejlődő országokban. A rendelkezésre álló képalkotó eljárások közül, mint például a komputertomográfia, a röntgen vagy röntgen, a mágneses rezonancia képalkotás, az ultrahang és így tovább, a mellkasi röntgenfelvételeket használják a legszélesebb körben a normál és a tüdőgyulladás közötti differenciáldiagnózisra. Az ebben a könyvben megvalósított CAC-rendszertervek során összesen 200 mellkasi röntgenfelvételt használtak, amelyek 100 normál és 100 tüdőgyulladásos képből állnak. Ezeket a mellkasi röntgenfelvételeket geometriai transzformációkkal, például forgatással, transzlációval és átfordítással egészítették ki, hogy növeljék az adathalmaz méretét a konvolúciós neurális hálózatok (CNN-ek) hatékony képzése érdekében.
Összesen 12 kísérletet végeztünk a mellkasi röntgenfelvételek bináris osztályozására Normál és Tüdőgyulladás kategóriába. Tartalmazza továbbá a kimerítő kísérletek mélyreható végrehajtási stratégiáit is, amelyeket a döntésfúzióval, mély jellemzőkivonással, jellemzőkiválasztással, jellemződimenzió-csökkentéssel és gépi tanuláson alapuló osztályozókkal végzett transzfer-tanulás alapú megközelítések alkalmazásával végeztek a végponttól végpontig CNN-alapú CAC-rendszertervek, könnyű CNN-alapú CAC-rendszertervek és hibrid CAC-rendszertervek mellkasi röntgenfelvételekhez történő megvalósításához.
Ez a könyv értékes forrás az akadémikusok, kutatók, klinikusok, posztgraduális és posztgraduális hallgatók számára az orvosi képalkotás, a CAC, a számítógépes diagnosztika, a számítástechnika és mérnöki tudományok, az elektrotechnika és elektronikai mérnöki tudományok, az orvosbiológiai mérnöki tudományok, a bioinformatika, a biomérnöki tudományok és az informatikai ipar szakemberei számára.