Ein auf Deep Learning basierendes Röntgenbilddiagnosesystem zur Klassifikation von Tuberkulose-, COVID-19- und Pneumonieeigenschaften unter Verwendung eines evolutionären Algorithmus

Zusammenfassung Um bei der Erkennung von Tuberkulose zu helfen, haben sich Forscher auf die Entwicklung computerunterstützter Diagnosetechnologien basierend auf Röntgenbildern konzentriert. Da sie nicht-invasive Daten der Standardversorgung erzeugen, ist ein Röntgenbild des Brustkorbs eines der am häufigsten verwendeten diagnostischen Bildgebungsverfahren in computerunterstützten Lösungen. Aufgrund ihrer signifikanten Interclass-Ähnlichkeiten und geringen Intra-Class-Variationsanomalien stellen Röntgenbilder des Brustkorbs weiterhin eine Herausforderung für eine korrekte Diagnose dar. In diesem Papier wird ein neuartiges automatisiertes Framework vorgeschlagen, das die Klassifikation von Tuberkulose, COVID-19 und Pneumonie aus Röntgenbildern des Brustkorbs mithilfe von Deep Learning und verbesserten Optimierungstechniken ermöglicht. Zwei vortrainierte Convolutional-Neural-Network-Modelle wie EfficientB0 und ResNet50 wurden verwendet und basierend auf den zusätzlichen Schichten feinabgestimmt. Beide Modelle werden mit festen Hyperparametern auf den ausgewählten Datensätzen trainiert, um neu trainierte Modelle zu erhalten. Eine neuartige Merkmalsauswahltechnik wurde vorgeschlagen, die die besten Merkmale auswählt. In der neuartigen Version wurden Distanz- und Aktualisierungspositionsformulierung verändert. Die ausgewählten Merkmale werden weiter mit einer neuartigen Technik zusammengeführt, die auf der seriellen und der Standardabweichungs-Schwellenwertfunktion basiert. Der experimentelle Prozess des vorgeschlagenen Frameworks wird auf drei Datensätzen durchgeführt und erzielt eine Genauigkeit von 98,2 %, 99,0 % bzw. 98,7 %. Darüber hinaus wird eine detaillierte Wilcoxon-Vergleichsanalyse durchgeführt, die die signifikante Leistung der vorgeschlagenen Methode zeigt. Basierend auf den Ergebnissen wird der Schluss gezogen, dass die Genauigkeit der vorgeschlagenen Methode nach dem Fusionsprozess verbessert wurde. Darüber hinaus zeigt der Vergleich mit aktuellen Techniken, dass die vorgeschlagene Methode hinsichtlich Genauigkeit und Präzisionsrate signifikant ist.