74、肺部胸部X光片不平衡多类计算机视觉分类的在线图像变换

肺部胸部X光片不平衡多类计算机视觉分类的在线图像变换

1. 引言

肺部疾病常常仅依靠医学影像进行诊断时容易出现误诊，或者需要昂贵且非即时护理的诊断方法，例如在诊断COVID - 19时。医学影像不仅费用高昂、耗时，还会使患者暴露在辐射风险中，频繁暴露可能影响日后健康。而且，分析医学影像需要专业医生，如病理学家和放射科医生，处理大量影像既艰巨又耗时，且最终诊断很大程度依赖医生经验以减少主观性。

对于X光成像，肺部胸部X光片（LCXRs）存在诸多问题，如与肺炎的诊断混淆、骨骼和设备遮挡以及高噪声低对比度成像等。而人工智能，特别是深度计算机视觉应用的实施，可以通过在计算机辅助增强图像上进行特征学习来提高诊断准确性，从而加快患者分诊和治疗流程。

2. 文献综述

过去十年，一些公司成功利用人工智能改变了医生进行医学诊断的方式。计算机视觉被认为是潜在不可或缺的医疗工具，但由于应用的敏感性，还需做大量工作确保计算工具的输出不会危及生命。目前医学计算机视觉的相关评论警告，不可解释的“黑箱”算法主导诊断存在风险。不过，卷积神经网络（CNNs）相对容易拆解，每个激活的滤波器都能可视化，可了解模型识别的像素特征，否定了计算机视觉模型本质模糊的观点。

有研究报告称人工神经网络在肺部图像上的曲线下面积值在0.9到0.97之间，表明计算机视觉模型在复杂多类图像集上能实现很高的分类率。鉴于深度学习能达到可靠的准确率，研究认为模型架构不必过于复杂，通过滤波器改变图像本身的像素表示可微调模型性能，如准确率和损失。

胸部成像常用于辅助医学诊断，尤其是X光，价格实惠且易获取。相关研究提到对LCXRs进行AI预处理时，包括对比度和边缘增强技术、图像分割和骨