22、高效深度学习模型DLLACC：用于肺部疾病诊断

高效深度学习模型DLLACC：用于肺部疾病诊断

1. 肺部疾病诊断技术综述

胸部X光片需要强大的图像处理模块来提取和检测癌细胞，常见的计算模型包括CNN、RNN、GRU等。不同的模型在肺部疾病诊断中有着不同的表现：
- 基于VGGNet的模型 ：
- Rajasenbagam等人使用基于VGGNet的CNN模型结合深度卷积生成对抗网络，在12k图像数据集上识别肺炎的成功率达99.34%。
- 另一个基于VGGNet的CNN对小儿肺炎的实时诊断准确率为96.47%。
- 其他CNN模型 ：
- InceptionResNet、MobileNet V2和ResNet50等CNN模型可识别肺炎，在6k图像研究中对细菌、COVID - 19、病毒感染和正常肺部的分类精度为94.84%。
- DenseNet201与二次SVM分类器结合，在大型肺部成像数据集上对广泛图像的分类准确率可达98.16%。

利用迁移学习可提高CNN模型在不同数据集上的图像分类准确性。例如，使用Haralick特征和迁移学习开发的肺炎分类系统能识别COVID - 19，通过维纳滤波和直方图均衡化提取感兴趣区域，利用VGGNet、ResNet和Inception等模型评估训练方案，可对肺炎等疾病进行分类和识别，能识别出93%的受影响区域。

多特征CNN模型在识别COVID - 19方面准确率达99%，它利用原始和增强的胸部X光图像，使用AlexNet、ResNet50等多个模型训练多特征CNN网络。ResNet18与小波特征分解结合的准确率达99.82%，但为分析其真实性能，需将数据