典型文献
基于深度学习的肺炎图像目标检测
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
何迪;刘立新;刘玉杰;熊丰;齐美捷;张周锋
作者机构：
西安电子科技大学光电工程学院,西安 710071;中国科学院西安精密机械研究所中国科学院光谱成像重点实验室,西安 710119
文献出处：
引用格式：
[1]何迪;刘立新;刘玉杰;熊丰;齐美捷;张周锋-.基于深度学习的肺炎图像目标检测)[J].中国生物医学工程学报,2022(04):443-451
A类：
肺炎图像
B类：
图像目标检测,严重危害,肺炎诊断,医疗数据,爆发式,人脑,医学图像数据,图像检测,目标检测模型,单发,探测器,SSD,faster,RCNN,Kaggle,深度学习模型,两处,损失函数,分类准确率,Faster,函数值,速达,平均分,准确识别,快速区域卷积神经网络
AB值：
0.278843
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
