胸部都是重要呼吸dissiminated在可能的身体部位提供了几乎所有的基本生存身体的元素。每年大量的个人已发现患有胸部疾病的各种类型。结核病、慢性阻塞性呼吸的疾病(慢性阻塞性肺病)、肺炎、哮喘和肺病感染是最重要的胸部疾病,也被认为是非常正常的地球上疾病。结核病在全球范围内已经成为一种无所不在的疾病;这可能证明的事实,在2017年,结核病是不必要的死亡人数最高负责全球( 1]。

射线照片俗称x射线被用作跟踪的一个可靠的来源至关重要的身体部位在过去的几十年里。这些射线照片有不同序列的评价不同的身体部件。胸部x光检查,评价肺部,心脏,纵隔,隔膜,胸腔骨进行阅读病人的条件而腹部部分,评估肠道综合症、腰大肌和肾脏的问题,肝脏和脾脏,和preperitoneal脂肪线和寻找不同寻常的煅烧完成为了找到病人的参数。( 2]。胸部x光检查的解释是一个复杂的问题,由于组织的胸部区域的重叠( 3]。

有前所未有的发展在人类发展对提高生活的期望。医学科学和盟军领域的研究做了很多努力寻找解决的许多威胁生命的疾病。很多的辛勤工作和研究正在进行全球让人类生活的更好,找到最好的预防和诊断治疗。在目前的工作中,我们主要集中在肺疾病和提出了检测通过机器学习技术。根据2015年全球疾病负担研究[ 4),在2015年大约有320万人失去了生命,因为慢性阻塞性呼吸的疾病(COPD),本质上是由于抽烟和污染,调用因哮喘而400万人失去了生命。过去的死亡数据非常惊人,象征的人数可能在未来后代创建由于各种因素的主导地位上升原因疾病负责。佛格尔( 5]提到,结核病是一个不可抗拒的疾病,大部分时间由微生物引起结核分枝杆菌。微生物一般由内到人类的肺呼吸。他们从底层延伸区肺内的不同身体部位通过循环系统,通过淋巴框架,通过航空路线,或直接膨胀不同器官( 6]。肺部的慢性阻塞性肺病是一种炎症性疾病,导致的阻塞通过肺部的气流;这种现象通常是进步的,是不可逆的 7]。空气流经肺部的限制通常是动态和相关的一个奇怪的挑衅反应相应的肺部有害分子或蒸汽。根据临床报告,遇到的人患有慢性阻塞性肺病呼吸困难和咳嗽和异常增加释放粘液,有时甚至伴随着喘息。Fergeson et al。 8)指出,哮喘通常持续感染被间歇性攻击气短,胸闷,气喘。在哮喘攻击( 9),支气管汽缸膨胀的涂层,使航空线路有限,限制氧肺内的发展。哮喘病人一般经历频繁的疲惫,坐立不安,减少体育活动等。根据2015年全球疾病负担研究[ 4),哮喘适度低伤亡率与其他冗长的疾病。世界卫生组织( 10)预计,大约3亿个人经验的不良影响哮喘平均。哮喘是最广泛认可孩子之间持续的疾病。癌症引起的肺(恶性肿瘤)是由于无拘束的肺细胞发展组织( 11]。这一发展可能会促使一个问题,即。,spread of the disease from one body part to other body parts like the lungs. By far, most of lung tumors are cancerous for the lung, obtained from endothelium cells or tissues. Lung disease is identified as the most widely recognized cause for disease-related loss of life of human beings and another one generally common in ladies, as per [ 12];这种疾病是负责全球每年176万人生命的损失。

最近的进步机器leaning-based过程,它变得可行的检测和诊断肺部疾病更精确和大大提前。这可能会进一步减少伤亡是由这些疾病和支出和咨询公司在不重要的因素。研究人员的真实和有价值的贡献是他们的奉献精神值得称赞的努力帮助人类通过应用人工智能相关的分析和预测胸部疾病。在目前的实践中,有很多可用的数据研究和建模和自由也增强我们的机器可用的计算能力;已经变得非常方便和激励开发这样的系统帮助病人的提前预测疾病甚至帮助那些无法承担巨大的医疗费用。

如今,有一个增加的人工神经网络(ANN)的结构( 13制定医疗诊断分类系统。多层神经网络(MLNN) [ 14),概率神经网络(并) 15),学习矢量量化(LVQ) [ 16)神经网络广义回归神经网络(GRNN) [ 17)和径向基函数(RBF) ( 18)神经网络结构显示一个证据改进传统的模式识别技术对诊断系统的疾病包括胸部疾病。各种分类系统建立在神经网络在胸部疾病诊断流程。在过去,有一些神经网络的研究集中在胸部疾病。学习矢量量化神经网络的分类结构取决于密切和上述模型未知的信息。一个学习矢量量化神经网络( 16)是两个不同的层次:一个是竞争,另一个是线性输出层。输入向量的分类是通过竞争层。竞争层的转换的类的类所描述的目标用户是通过线性输出层。

使用的数据集通常使用机器学习技术的分类问题需要各种属性相关的症状,年龄、性别、快照数据,x射线数据和一些特定的属性。《盗梦空间》的这个病人的关键数据,更容易训练模型和用它来预测分析病人的卫生工作者在实践中。经常练习,医用x射线图像通常用于诊断一些微妙的人体组件包括骨头、胸部,牙齿,头骨等等。卫生专家和工人们最终依赖于这一过程在过去几十年间为了探索和理解骨折和异常人体组件。更相关的是x射线是一个非常注重结果的诊断选项的病理变化,进一步补充其固有的非侵入性操作和经济的异常。Abiyev和马'aitah 19]证明了chest-related疾病可能预计的形式CXR图像描绘了空化,钝化costophrenic角度、浸润,合并。在探索一个典型的胸部x光图像,它是可行的放射科医生评估和诊断某些特定条件和疾病包括积液、肺炎、渗透、支气管炎、心脏肥大、骨折( 20.]。

各种研究人员依赖于设计方法诊断胸部疾病使用智能和创新基于ai机器学习方法( 21]。长期的检测阻塞性呼吸道感染和肺炎是由神经系统和人工系统的《盗梦空间》对环境产生免疫力。跟踪肺疾病包括肺结核、肺炎、肺部疾病、胸片非常仪器。为目的的图像预处理,图像分割使用直方图均衡化是适用的。分类的目的,最后,前馈神经网络研究人员已经使用在过去。虽然这些策略很有用在医药相关的分类问题,深层神经网络胜过这些技术的效率、可靠性和计算时间。很多时候,增加分类过程的精度水平,深层神经网络应用( 22]。这是得到深层神经网络与一个值得称道的精度的结果。这使得研究社会深层神经网络申请医疗问题,使用的图像分类的分类。进一步证明,这些网络是能够跟踪和提取分类特征区分不同类型的可能状态的疾病的证据。卷积神经网络是最喜欢当部署在深层神经网络( 23),已申请医学图像的分类;这些网络的特点是拥有不同层次的能力特征的采样图像。深卷积神经网络识别升级胸部疾病的诊断准确性和均方误差。

在目前的研究工作中,卷积神经网络曾在公开数据集来自美国国立卫生研究院(NIH)有一个巨大的收集病人的胸部x光片,有一个高度的标签的准确性。类似的工作在过去的编译其他研究人员已在部分 2文献综述。部分 3本文给出了完整的过程实现卷积神经网络在本研究中使用的数据集。它给出了一个逐步执行的一整套操作流程生成模型。部分 4结果部分,它展示了我们工作的发现和成果,比较其与相关的工作。部分 5提供工作的结论在当前研究和强调了当前工作的核心成果,限制,和未来的工作范围。

图像处理一直是一个感兴趣的领域的研究社区很长一段时间,和有动机的证据在这一领域取得的成功。Thirumaran和Shylaja 24)展示了简要概述了医学图像处理和各种形式的过程。Khobragade et al。 25)提出了一个自动化环境迎合肺部疾病的检测和诊断明确胸疾病合并的胸片。的结果证明,通过直方图均衡和图像处理等图像预处理方法产生值得称道的结果用胸部的x光照片。例如,指定模式识别前馈人工神经网络,是可接受的结果。陈等人。 26]探索方法大大提高数据集。研究人员使用了一种增强的数据集训练的CNN模型识别和胸腔疾病的诊断;模型的性能明显提高。他们提议创建一个存储库海量的图像没有标签从临床服务即兴创作他们的CNN模型的性能。王等人。 27]试图设备“machine-human注释”宽量程胸部x光片数据库中揭示了医生的医疗和技术相关问题的处理数千病人的数据库。他们执行一组全面的定量性能标准的八个流行胸病理学分类和弱监督定位数据库部署的胸部x光片。研究的主要目的是为使设备路线图未来努力在促进公共数据集提供援助,这是非常重要的对于这个领域的应用。设计一个专门的商业、健壮、可靠和完全自主健康诊断环境至今是一个梦想成真。ChestX-ray8有可能使数据网络钓鱼深层神经网络模型来生成应用程序的临床意义的实例可能包括像模式挖掘一些常见疾病,自动化生成放射学报告和分析相关的疾病有可能。陈等人。 28]介绍了肺的方法分割关注异常区域的帮助下无数重叠的街区。由于计算纹理生成的多个重叠块用于检测异常区域。结束这项工作,该技术有效地探索肺病胸片图像中描述的区域,进一步提高诊断的可行性气胸的潜在的问题区域。强度和梯度是纹理分析的基本原理来检测气胸。Sharma et al。 29日]探讨胸腔面积从肺部区域使用边界的识别。隔离健康的肺区云的肺炎大津阈值合并。尽管在不同的策略可能会接受阈值,CXR的照片通常产生更好的结果。

经过特征提取上的最新研究和使用相同的疾病预测,当前工作的动机。目前的研究工作,现有的预测模型的目标是即兴发挥,减少虚假或错误的数量使用机器学习模型预测。表 1总结了一些相关工作的研究人员和为我们提供了一个坚实的基础来生成初始实验过程的框架。

空气污染有可能影响人类健康都有直接的影响有时间接创造不适在身体健康和导致疾病或死亡。研究证明,人体在接触受污染的环境中,有一个突然上升的死亡率( 36, 37]。

如此巨大的数据集的任务的分析与x射线图像对我们来说非常有趣和富有挑战性。我们可以模拟系统40000图像包括男性和女性,随机选择。扫描的图像和样本的推论由我们的模型,分析,男性比女性更倾向于胸部疾病。可能有不同的临床和行为原因相同的但这不是我们当前工作的范围。有各种各样的机器学习模型的指标用于评估研究人员。在当前的工作中,我们使用了性能评估指标精度,回忆和<我nline-formula> F 切斯特分类器的测量。该分类器模型光滑相当不错,这个评价非常熟悉。精度是指积极类预测它的总量也适合积极的类。召回是指积极类的总数的预测从正面实例的完整数据银行。<我nline-formula> F 依次测量提供了一个分数,平衡精度和召回的相关问题由数字表示( 50, 51]。方程( 3),( 4)和( 5)代表了以下方法计算精度,回忆,和<我nline-formula> f 分别得分。 (3) 精度 = 真正的 积极的 真正的 积极的 + 假 积极的 , (4) 回忆 = TPR = 真正的 阳性 真正的 阳性 + 假 底片 , (5) F 量 分数 = 1 + β 2 精度 ∗ 回忆 β 2 ∗ 精度 + 回忆 。

当前工作考虑上述指标的模型评价AUC_ROC和其他可用指标由于这些指标的一些固有属性,使他们更加可靠的评估指标。第一个原因是现实世界的数据倾向于拥有一个积极的和消极的样本之间的不平衡。这种不平衡对精度的价值产生重大影响但AUC /中华民国不描述这种影响。中华民国/ AUC曲线的限制无法显示分类器的性能,同时与我们的使用指标相比,我们可以轻松做到。

我们已经被研究人员以前的工作做出了他们的贡献与类似的数据集或类似的疾病识别其他的数据集。对我们来说是一个非常良好的基础从这些已经完成的实验作品获得有价值的输入。表 2下面显示了一个比较分析工作由我们探索类似的相同的评价指标数据和疾病的识别问题。我们建议的模型精度平均约80的比先前的研究工作是由研究人员在同一地区从而导致更成功的发展模式。

切斯特是一种新型的系统进行分析和预测的胸部疾病使用的卷积系统,主要是协调和允许简单的实验,聪明的想法。当前的工作提供了一个全面的机制来帮助放射科医生在诊断胸部x射线。这项工作(切斯特)可以使用作为一个助手和学生的教育工具。框架的目的是处理所有本地保证明显的安全。我们相信这个提示放射科医生给我们批评这将帮助我们改善这个乐器和调整他们的需求。没有多少探索人工神经网络结构评估胸部相关的健康问题。这些考试有独特的神经系统结构适用于不同的胸部疾病分析利用不同的数据集的问题。的不同数据集使用的调查,结果的直接相关性是复杂的。此外,建议的解决方案的复杂性,目前的工作是整个团队非常具有挑战性和令人兴奋的。这是一个非常复杂的情况来处理大量数据,每年的x射线扫描图片。 The motivation to explore more in the chest disease prediction using the convolutional neural networks for the better disease diagnosis kept the project moving towards its goal. The dataset is not very old, and data is not standardized which makes it difficult to read and map the pictures.

研究工作的主要结果在本文可以得出以下几点: (1)

已经观察到,我们有信心可以使用神经网络结构边界探索各种chest-related疾病的诊断

虽然我们把我们的真诚努力塑造当前提出的模型中,随着工作的进展,有经验,可以解决一些更开放的地区采取这项工作到下一个里程碑。的造型可以做更多的数字时代,和参数优化,收敛可以方便地实现。多度的培训应增加跟踪的机会更好的特性进行简单分类。CNN使用VGG,我们可以在许多其他pretrained模型实验以及不同的调整,可以在模型中。空间变压器层,我们可以尝试实现一个更复杂的和复杂的本地化网络。目前表现不错的结果我们最初的预期,但是能够把它应用在医院,需要更多的改进来提高模型的精度,也可能会雇佣更多的培训数据。这种CNN-based项目往往采用系统具有良好的计算资源能够提供响应预测在尽可能最低的时间是在实践中实现。