利用深度学习增强的卷积神经网络（CNN）架构对胸部X光图像中的肺部疾病进行分类

《Journal of Imaging Informatics in Medicine》：Lung Disease Classification with Deep Learning Enhanced CNN Architecture in Chest X-Ray Imaging

离散小波变换替代池化层增强肺X光影像分割与分类模型，结合U-Net+++和注意力门控，配合PGGAN数据增强，在JSRT数据集上实现99.1%分割准确率和97.2%Dice系数，分类精度提升2.4%。

　　

摘要

在这项研究中，我们提出了一种基于鲁棒卷积神经网络（CNN）架构的强大方法，用于高效分割和多类别分类肺部X光病理图像。该方法通过用离散小波变换（DWT）替代传统的最大池化操作，实现了更精确的下采样，并增强了对肺部细微结构细节的检测能力。结合先进的U-Net+模型和注意力门（AG），我们的方法显著提高了肺部分割的准确性。在肺部病理分类方面，我们将DWT集成到DenseNet-201模型中，以区分正常肺部图像与结核病、肺炎和2019冠状病毒病（COVID-19）的图像。为应对数据量有限且不稳定的挑战，我们采用了渐进式生成对抗网络（PGGAN）数据增强技术来生成逼真的高分辨率胸部X光（CXR）合成图像。这种方法不仅丰富了训练数据集，还为肺部病理提供了更细致的表征，提升了诊断系统的鲁棒性和全面性。我们的鲁棒方法在肺部X光成像诊断的分割和分类任务中表现出了强大且一致的性能。在分割任务中，该模型在日本放射技术学会（JSRT）数据集上的准确率达到了99.1%，Dice系数为97.2%，优于U-Net和U-Net+等传统方法。在分类任务中，尤其是在采用数据增强技术后，其精度提高了2.4%，明显优于DenseNet-201。这些进展表明，我们的方法在CXR图像分析的准确性和可靠性方面取得了显著进步，进一步证明了其在处理多样化和增强数据集时的优越适应性和潜力。

在这项研究中，我们提出了一种基于鲁棒卷积神经网络（CNN）架构的强大方法，用于高效分割和多类别分类肺部X光病理图像。该方法通过用离散小波变换（DWT）替代传统的最大池化操作，实现了更精确的下采样，并增强了对肺部细微结构细节的检测能力。结合先进的U-Net+模型和注意力门（AG），我们的方法显著提高了肺部分割的准确性。在肺部病理分类方面，我们将DWT集成到DenseNet-201模型中，以区分正常肺部图像与结核病、肺炎和2019冠状病毒病（COVID-19）的图像。为应对数据量有限且不稳定的挑战，我们采用了渐进式生成对抗网络（PGGAN）数据增强技术来生成逼真的高分辨率胸部X光（CXR）合成图像。这种方法不仅丰富了训练数据集，还为肺部病理提供了更细致的表征，提升了诊断系统的鲁棒性和全面性。我们的鲁棒方法在肺部X光成像诊断的分割和分类任务中表现出了强大且一致的性能。在分割任务中，该模型在日本放射技术学会（JSRT）数据集上的准确率为99.1%，Dice系数为97.2%，优于U-Net和U-Net+等传统方法。在分类任务中，尤其是在采用数据增强技术后，其精度提高了2.4%，明显优于DenseNet-201。这些进展表明，我们的方法在CXR图像分析的准确性和可靠性方面取得了显著进步，进一步证明了其在处理多样化和增强数据集时的优越适应性和潜力。