深度网络用于胸部病理分类

张娜; 邓广宏; 荆文龙; 李勇

doi:10.13873/J.1000-9787(2025)07-0058-05

Chinese

您当前的位置：

首页 >

文章列表页 >

深度网络用于胸部病理分类

研究与探讨 | 更新时间：2025-09-11

- 深度网络用于胸部病理分类
- 暂无标题
- 传感器与微系统 2025年第7期页码：58-62
- 作者机构：
  
  1. 中山大学孙逸仙纪念医院急诊科
  2. 广州市高科通信技术股份有限公司
  3. 广东省科学院广州地理研究所广东省地理空间信息技术与应用公共实验室广东省遥感与地理信息系统应用重点实验室广东省地理时空大数据工程实验室
- 作者简介：
- 基金信息：
  
  国家重点研发计划项目(2022YFF0711602);国家自然科学基金资助项目(42271479);广东省科学院发展专项资金项目(2022GDASZH-2022010202,2022GDASZH-2022020402-01,2022GDASZH-2022010111);广东省科技计划项目(2021B1212100006)
- DOI：10.13873/J.1000-9787(2025)07-0058-05
  中图分类号： R56;TP18;TP391.41
- 纸质出版：2025
- 稿件说明：
移动端阅览
张娜, 邓广宏, 荆文龙, 等. 深度网络用于胸部病理分类[J]. 传感器与微系统, 2025,(7):58-62.
张娜, 邓广宏, 荆文龙, 等. 深度网络用于胸部病理分类[J]. 传感器与微系统, 2025,(7):58-62. DOI： 10.13873/J.1000-9787(2025)07-0058-05.

DOI：

摘要

胸部病理预测在胸部疾病早期诊断中具有极其重要的价值，基于深度卷积网络预测胸部病理已成为当今研究的热点话题。然而，胸部病理在形状，大小以及生长空间等的不可预测性，是较多研究的难点。因此，本文提出一种深度卷积网络命名为密集空洞网络(DenDnet)的胸部病理预测模型。引入空洞卷积，改进了传统的密集块，删减了较多的特征图拼接，为了增大感受野，采用空洞卷积替换常规卷积，设计了一种有效的密集空洞卷积块在深度网络中不断叠加进行特征提取。使用的数据集是COVID—19 Radiography Database

在该数据集上分别验证了DenDnetn

DenDnets

DenDnetm

DenDnetl四种不同深度的模型性能。其中DenDnets的验证准确率为84.63%

测试准确率为84.88%

AUC值分别为0.952

0.955

0.962以及0.994。均优于其他三种模型。

Abstract

关键词

Keywords

references

Muh Hanafi.AMIKOMNET: Novel Structure for a Deep Learning Model to Enhance COVID-19 Classification Task Performance[J].Big Data and Cognitive Computing,2024.

Rahman Tawsifur,Khandakar Amith,Qiblawey Yazan,Tahir Anas,Kiranyaz Serkan,Abul Kashem Saad Bin,Islam Mohammad Tariqul,Al Maadeed Somaya,Zughaier Susu M.,Khan Muhammad Salman,Chowdhury Muhammad E.H..Exploring the Effect of Image Enhancement Techniques on COVID-19 Detection using Chest X-rays Images[J].Computers in Biology and Medicine,2021.

Fujun Peng,Lei Tu,Yongshi Yang,Peng Hu,Runsheng Wang,Qinyong Hu,Feng Cao,Taijiao Jiang,Jinlyu Sun,Guogang Xu,Christopher Chang.Management and Treatment of COVID-19: The Chinese Experience[J].Canadian Journal of Cardiology,2020.

Muhammad E. H. Chowdhury,Tawsifur Rahman,Amith Khandakar,Rashid Mazhar,Muhammad Abdul Kadir,Zaid Bin Mahbub,Khandakar Reajul Islam,Muhammad Salman Khan,Atif Iqbal,Nasser Al Emadi,Mamun Bin Ibne Reaz,Mohammad Tariqul Islam.Can AI Help in Screening Viral and COVID-19 Pneumonia?[J].IEEE Access,2020.

董丰玮,燕杨,屈超凡.基于改进胶囊网络的肺结节良恶性分类[J].现代电子技术,2025(03).

李煜豫,何宏,陈家毓,周慧芳.融合注意力机制和空洞卷积的甲状腺眼病区域分割方法[J].智能计算机与应用,2024(12).

李俊良,刘欣,林峙渊,龙显荣,江志航,霍颖瑜.深度学习在胸部X线摄片筛查肺部疾病中的应用现状[J].中国防痨杂志,2024(12).

谷宇,迟靖千,张宝华,杨立东,李建军,唐思源.基于改进残差和注意力的CT肺癌辅助诊断[J].传感器与微系统,2024(09).

邱纯乾,陈建森,郑茜颖.基于改进CENet的新冠肺炎CT图像感染区域分割[J].传感器与微系统,2023(11).

葛斌,彭曦晨,孙倩倩,袁政.注意力引导梯形金字塔融合网络识别新冠肺炎X射线影像[J].光电子·激光,2023(10).

吴一锋,于瓅.基于三重注意力机制的U-Net新冠肺炎肺部图像分割[J].佳木斯大学学报(自然科学版),2023(05).

蔡茂,刘芳.基于细粒度图像分类算法的新冠CT图像分类[J].吉林大学学报(信息科学版),2023(04).

卢小燕,袁文昊,徐杨.基于改进U-Net网络的肺部CT图像分割算法研究[J].智能计算机与应用,2023(07).

蒋杰伟,郭刘飞,巩稼民,强薇,吴成超,李中文.基于注意力和分组卷积的眼底图像多病变自动诊断[J].传感器与微系统,2023(05).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于智能AI的传感器应用

一种新型注意力机制的双人交互行为识别方法

面向校园场景视频监控的人体行为识别方法

基于深度学习的散斑图应变场测量

基于双通道图卷积网络的人体行为识别方法