肺炎多分类任务BASE

最新推荐文章于 2025-08-18 16:14:17 发布

原创

最新推荐文章于 2025-08-18 16:14:17 发布 · 461 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#分类 #人工智能 #深度学习 #算法 #机器学习

针对backbone的分类网络具有Resnet系列、Densenet系列、Inception系列，常借助辅助手段（FPN、attention、决策树、lasso等）提高模型性能
其中Resnet50v2 和 covid-net在四分类中取得不错的效果。
1.数据集
2.评价指标
基于分类任务的常见评价指标：
召回率（recall）、精准率（precision）、特异性（specificity）、准确率（accuracy）、FI-score、ROC曲线和AUC指标。
3.模型
Deeplearning enables accurate diagnosis of novel coronavirus with CT images
以275例病人（88covid-19、101个细菌性肺炎、86健康）resnet50作为特征提取器，添加特征金字塔网络和注意力模块，并设计细节关系提取神经网络DRE-Net提取CT图像中的细节，实验结果肺炎二分类准确率0.86，肺炎诊断covid-19或健康准确率0.94。

医学图像分类任务中的SOTA包括VGG19，MobleNet、Xception、Inception和Inception-ResNet v2

论文阅读

1.

针对covid-19、正常、细菌性肺炎的三分类的CT肺部诊断，该模型基于resnet50增加FPN和attention模块（多尺度的注意力模块）。
在这里插入图片描述
代码分析:
结果分析：
首先val test的值最高在10 epoch之内为0.59，其次随着训练的增加train的acc无限接近于1，但是test和val的acc却在0.1-0.3之间徘徊了，我猜测应该是训练集没有学到真正的分类特征。

2.CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rayswith Deep Learning

数据集

ChesX-ray 14 数据集包含 30，805 名独特患者的 112，120 张正面 x 光图像。在放射学报告中提取14种不同胸部病例标签。将数据集随机分为训练(28744 名患者，98637 张图像)、验证(1672 名患者，6351 张图像)和测试(389 名患者，420 张图像，在该阶段将放射科医生与模型的结果与真实信息进行对比)。两组之间没有患者重叠。

们将图像缩小到 224×224，并基于 ImageNet 训练集中图像的均值和标准差进行归一化。我们还用随机水平翻转来扩充训练数据。