45、ICDP：用于肺炎检测的改进卷积神经网络模型

ICDP：用于肺炎检测的改进卷积神经网络模型

1. 研究背景

肺炎作为一种常见且严重的疾病，多年来一直是研究的重点。众多研究者致力于提升肺炎的诊断、治疗和管理水平，这推动了对该疾病的深入理解，也催生了新的诊断工具和治疗方案。此前已有不少模型用于肺炎的识别和分类，例如：
- Liang和Zheng提出了结合扩张卷积的残差网络用于肺炎检测，其F1分数达到92.7%。
- Varshni等人建议采用基于深度学习的肺炎检测方法，利用169层的DenseNet架构进行特征提取，并结合SVM模型进行二分类。
- Ibrahim等人利用AlexNet模型，基于CT扫描和胸部X光图像对肺炎进行分类。

2. 研究方法

2.1 数据集

本次研究使用的胸部X光图像由广州妇女儿童医疗中心提供。数据集包含5856张胸部前后位的图像，这些图像被分为训练集、测试集和验证集三个文件夹，且标注为正常或肺炎。具体数据分布如下表所示：
| 类别 | CXR图像数量 |
| ---- | ---- |
| 正常 | 1583 |
| 肺炎 | 4273 |
| 总计 | 5856 |

为了训练和测试模型，数据集被对半分割，训练集包含5216张图像，测试集包含624张图像。在分割过程中，使用“stratify”参数确保类别分布均衡。

2.2 提出的方法

本研究旨在利用深度学习算法和公开可用的数据集高效识别肺炎。具体步骤如下：
1. 收集肺炎图像，将其调整为150×150像素的大小。
2. 通过将像素值除以255进行归一化处理，确保像