一个胸综合症与卷积神经网络分类方法

文摘

有显著的改变我们的生活和我们感知世界的方式与计算机技术的进步。医疗行业发展干预的最新电脑技术和有着不同寻常的变化各种疾病的诊断和治疗。管理的因素有很多,包括空气污染,有迅速崛起chest-related疾病和这样的病人的数量以惊人的速度上升。在本研究中,我们使用了机器学习方法对于检测各种chest-related问题使用卷积神经网络(CNN)在胸部x光检查公开的数据集。该方法比传统的图像分割方法有优势包括阈值, - - - - - -意味着集群、和边缘检测。CNN无法在即时扫描和处理整幅图像;它需要递归扫描小像素点,直到扫描整个图像。空间转换层和VGG19用于特征提取的目的,和ReLU激活函数被使用由于其固有的复杂性和高计算效率低;最后,随机梯度下降法作为优化器。当前方法的主要优势在于它保留了图像的基本特征预测以及将减少相当大的空间。模型提供实质性的改善现有研究在精度方面, - - - - - -分数,预测的准确性。这个模型如果使用精确可以非常有效的医疗从业者在确定胸或肺炎症状的病人在早期从而指导医生立即开始治疗导致快速改善病人的健康状况。

1。介绍

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'aitah19]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。

2。文献综述

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Shylaja24)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。

3所示。利用卷积神经网络图像分类

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]。

3.1。患者胸部数据集

最近,一个巨大的数据集有超过112120 30805名患者的x射线图像肺国立卫生研究院发布的数据(27),标签的创建;NLP已经被用于转换放射学报告分类的疾病。标签的近似精度超过90%。数据集使用数据存储库包括Kaggle [38]。这个数据集的启发当前对机器学习的实验工作。在当前的工作中,作者经历了这胸部数据集的分析,然后应用机器学习和深度学习预测病人的痛苦对于任何肺部疾病;肺部疾病的类型和确定预测的精确度。有11个属性对应于病人的数据集,包括图像索引,病人id、患者年龄、性别、随访,疾病类的标签,视图的位置,图像宽度、图像高度,像素间距- ,和像素间距, 。这个项目会生成一个二进制输入数据流分类基本上是病人的个人数据与属性包括病人年龄、性别、x射线图像,并查看位置(只有所需的属性已被选定为造型),和输出函数传递病人是否患有任何特定的疾病。这是一个相对较新的数据集,而不是研究人员探索,展示了自己的作品。

3.2。卷积神经网络

卷积神经网络(CNN) (39,40]通常类似于人工神经网络(ANN);他们组成的组件称为神经元能够优化自己通过一个称为自学习的现象。每个神经元CNN能够接收的输入一些典型输入并执行一个操作(从一个标量产品成功通过一个线性函数)。这个网络的输入是一组原始图像向量,他们处理的最终输出格式的类分一个特定的输入向量。感知得分加权函数存在于整个网络结构跨越所有的阶段和节点。损失函数属于不同的类与网络的终端层相关联。此外,所有的基本功能和正常的人工神经网络(ANN)模式仍然保持cnn。这些网络是专门用于图像模式识别,这区别他们的人工神经网络(41]。经典的网络受到计算效率低的缺点与图像相关的数据由于计算的复杂性。此外,所需的预处理是CNN显著小于其他同类算法。一个典型的卷积神经网络呈现在图1。

美国有线电视新闻网(42)包含5大量化阶段。第一阶段是输入层,网络的输入图像的形式提供。卷积层,在其部分,可变图像;即。,it extracts the significant and differentiating features including edges, colours, and corners from the image received from the previous stage. This layer is multiplied into two matrices, wherein one of the matrices is a known learnable parameter matrix and the other one is the portion of image. The dot product generates a reduced matrix in the end with reduced and required features represented by the matrix, also called as the feature matrix. The pooling layer reduces the feature matrix further in order to generate only dominant image features from the feature matrix. This is done in order to ensure optimized computing efficiency of the system. Average pooling and max pooling are two techniques through which the pooling layer performs this reduction. Till this layer, we reduce the dimensionality of our image. In the fully connected layer [43),减少特征矩阵转化为一个向量。夷为平地的输出发送到前馈神经网络(44];此外,在每一个周期使用反向传播训练迭代。成熟的培训过程中,模型是能够区分某些低层次的特征和关键特性控制图像。这个庆祝的过程最终分类在输出层。cnn一直是计算机视觉的关键资源(29日)和图像理解。通常,cnn实现通过简单的线性和非线性滤波器的组成包括卷积和整改,尽管它变得非常枯燥的任务来完成他们在实践中,因为cnn从巨大的学习数据集,一般来说,数以百万计的训练图像,采用智能和高效的实现。切斯特CNN在实践中探索简单的块,如卷积、正常化(45),池(46)可能会进一步被级联,抽出容易生成CNN架构。许多这样的块使用优化CPU和GPU随着CUDA实现。

3.3。在图像分类中使用cnn

我们已经逐步的方法来创建我们的模型。切斯特的框图,提出了胸部疾病预测模型已在图2最初,美国国立卫生研究院(NIH)的数据集。

3.3.1。玩数据/分析数据

使用标准库数据集加载。加载后,数据分为两个部分,疾病和其他没有疾病。数据集的各种属性分析为任何缺失的值或偏离代表他们的标准格式。一些图块进行理解数据的基本结构,有一些想法类似的属性之间的关联类的数据成员。我们使用Matplotlib和Seaborn库数据集的分析。有15类的完整的数据集,包括一个没有找到类疾病和其他14类;由于这是一个极大的简化版本的完整的数据集,其中的一些类是稀疏贴上“没有发现。“其他14个疾病类疝、肺炎、纤维化,水肿,肺气肿,心脏肥大,胸膜增厚,合并,气胸,质量,结节,肺不张,积液,渗透,也没有发现。这些标识类的图片属于任何疾病组。

3.3.2。预处理

在当前的工作中,我们使用40000图像样本总数的数据集,由于硬件的限制来处理大数据集。分析后的数据,数据分成两组,一个训练,另一个用于测试的目的。我们雇用了30000个样本的训练和10000个样本为目的的测试模型。

3.3.3。切斯特

切斯特的作为下一个过程模型,我们下一个转移模型训练数据集和转移其模型的层。模型包括三个重要的层按照以下顺序。

(1)空间变压器层。进一步由三个固有层。在第一层,最初,默认路由传输,这表明肺部x光图像的特点对应的正常量子0。批下一层被称为归一化层,负责减少量的隐藏单元值转变。最后,最后一层是空间变压器,它对应于最大显著特征的移除疾病分类。

(2)提取功能层。为此,pretrained VGG19模型。默认情况下,它加载重量pretrained ImageNet。有一群深19层VGG是特征提取层;有各种pretrained分类器可用。

(3)分类层。在这种情况下,第一层前面定义的目的是用来收割VGG19层额外5特性,比如“性别女,”“性别男,”“年龄”“视图位置PA,”和“视图位置美联社。”这些额外5特性的目的是解决这个问题的排序。激活函数用于当前的工作是解决线性单元(ReLU) [47]。ReLU激活函数选择的简单计算由于其固有的特性。ReLU固有的简单性使其成为一个最喜欢的;在这里,向前和向后传递实现为简单的if语句。有一个相当大的减少成本使用ReLU培训网络。这给研究人员自由训练大网络有大量的参数虽然保持相同的计算成本,从而提供一个更好的容纳和通常更大的测试精度。在方程(下面给出的数学表达式1)描述ReLU函数对各种输入值(48]。

上述方程表明ReLU函数适用于积极的输入值和剪辑的负面价值为零。创建模型后,我们定义精度,回忆,和 - - - - - -分数对我们的情况。优化模型中,我们使用随机梯度下降法作为优化器,通过二进制精度,精确,回忆, - - - - - -分数在不同的阈值作为指标。执行模型,进一步分析了模型的性能。为目的的评估、随机梯度下降法(SGD) [49一直在这里使用,这是一个非常强大的优化器。最后,我们在批训练模型(32)和验证(256)。模型运行到第五期。结果可视化,即。,testing on images and finding out the possible disease and localizing them, and the model delivered considerable performance.

4所示。结果

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 - - - - - -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。 - - - - - -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 - - - - - -分别得分。

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。

4.1。测试图像的输出

显示病人的结果,我们使用Matplotlib NumPy库,这样我们可以计算x光的结果上传的病人或医生。为此,我们结果隔离在单独的类的胸部;预测x射线的一部分,我们已经最大最高的4类值预测后的x射线。显示在图片下面的数字3和4,可以看出结果了NIH产生的结果数据集与我们的模型是准确的,我们可以告诉什么是疾病在身旁的预测价值。在下面的图4随机病例显示为例。用户,医生或病人,填写的信息x射线诸如年龄、性别、和视图位置(PA和美联社)。基本上判断病人病了,在继续之前的分析更重要的试验,我们选择预测分数超过0.5作为阈值。在给定的图片,有各种预测百分比与各种疾病的病人可能的潜在课程。但正如我们选择预测分数阈值超过50,所以它需要考虑病人脆弱的类疾病比例超过50个。在数据3和4,我们分析了我们的模型能够识别和分类甚至那些有多个胸部疾病的x射线百分位是自信什么疾病,病人可能患有并帮助他们在他们的疾病的识别。这些数据会导致模型的准确性通过检测疾病的其他模型无法诊断。

5。结论

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(2)合理的分类结果胸部疾病使用CNN模型(3)神经网络可以从经验和self-learn可以帮助从业者的重要来源的诊断和治疗工作

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。

数据可用性

使用的数据来支持本研究的发现可以从作者要求(gdhiman0001@gmail.com)。

的利益冲突

作者宣称没有利益冲突。

引用

1. r . Miyahara s Piyaworawong诉Naranbhai et al .,“预测基于neutrophil-to-lymphocyte肺结核的风险比在艾滋病感染者结核病筛查,”《BMC传染病》杂志,19卷,不。1,第669 - 667页,2019。视图:出版商的网站|谷歌学术搜索
2. w·f·钩,x射线胶片很容易阅读,2000年CiteSeerX。
3. 秦c, d .姚明、施y和z的歌,“胸部x线摄影基于人工智能的计算机辅助检测:一项调查,“生物医学工程在线,17卷,不。1,第123 - 113页,2018。视图:出版商的网站|谷歌学术搜索
4. j·b·索利亚诺a . a . Abajobir k h .减少et al .,“全球、区域和国家死亡,患病率,残疾调整生命年,残疾人和年住了慢性阻塞性肺疾病和哮喘,1990 - 2015年:全球疾病负担的系统分析研究2015年”《柳叶刀》杂志上呼吸医学,5卷,不。9日,第706 - 691页,2017年。视图:出版商的网站|谷歌学术搜索
5. 福格尔n“结核病:疾病没有边界,”肺结核,卷95,不。5,527 - 531年,2015页。视图:出版商的网站|谷歌学术搜索
6. s . Huddart t . Bossuroy诉脑桥,s . Baral m . Pai和c . Delavallade“结核病和感染预防知识行为:一个来自印度的九个城市的纵向研究,“《公共科学图书馆•综合》,13卷,不。10 p . e0206245 2018。视图:出版商的网站|谷歌学术搜索
7. g . Viegi f . Pistelli d l .谢里尔s Maio s Baldacci和l . Carrozzi”定义、流行病学和自然历史的慢性阻塞性肺病欧洲呼吸杂志,30卷,不。5,993 - 1013年,2007页。视图:出版商的网站|谷歌学术搜索
8. j . e . Fergeson s . s . Patel, r .在业“急性哮喘、预后和治疗,”变态反应与临床免疫学杂志》上,卷139,不。2、438 - 447年,2017页。视图:出版商的网站|谷歌学术搜索
9. d . Eassey h . k . Reddel k . Ryan和l·史密斯,“严重哮喘的影响病人的自主权:定性研究”,健康的期望,22卷,不。3、528 - 536年,2019页。视图:出版商的网站|谷歌学术搜索
10. c . Nunes a . m·佩雷拉和m . Morais-Almeida“哮喘成本和社会影响,”哮喘的研究与实践,3卷,不。1、1 - 11,2017页。视图:出版商的网站|谷歌学术搜索
11. p . e . Bunney a . n .辛克a . a .河中沙洲c . j .比灵顿和c m·科孜”促食素激活抵消减少做活动的生热作用(整洁)由于高脂肪饮食,”生理与行为,卷176,不。5,139 - 148年,2017页。视图:出版商的网站|谷歌学术搜索
12. 论坛国际呼吸的社会,事实Sheet-World肺第2019天,2019年。
13. o . i Abiodun m . Kiru, a Jantan et al .,“全面审查的人工神经网络模式识别应用程序,”IEEE访问7卷,第158846 - 158820页,2019年。视图:出版商的网站|谷歌学术搜索
14. s t·李,美国Lim: y崔et al .,“多层神经网络的操作方案使用NAND闪存作为高密度突触设备”IEEE电子设备协会杂志》上7卷,第1093 - 1085页,2019年。视图:出版商的网站|谷歌学术搜索
15. p·a·科瓦尔斯基和m . Kusy”确定输入神经元的重要性概率神经网络灵敏度分析程序,”计算智能,34卷,不。3、895 - 916年,2018页。视图:出版商的网站|谷歌学术搜索
16. w·h . x Lu Wang Dong, f . Wu z郑,g .史,“学习矢量量化网络图像压缩深处,“IEEE访问7卷,第118825 - 118815页,2019年。视图:出版商的网站|谷歌学术搜索
17. p . j . y . Goulermas Liatsis,曾庆红晓君,p·库克,“Density-driven广义回归神经网络(DD-GRNN)函数近似,”IEEE神经网络,18卷,不。6,1683 - 1696年,2007页。视图:出版商的网站|谷歌学术搜索
18. n . b . Karayiannis”新发展新配方的理论和训练径向基神经网络,”诉讼IEEE-INNS-ENNS国际联合会议上的神经网络。IJCNN 2000。神经计算:新世纪新挑战和观点,科莫,意大利,2000年。视图:出版商的网站|谷歌学术搜索
19. r·h·Abiyev和m . k . s . Ma 'aitah“卷积神经网络对胸部疾病检测,”医疗保健工程卷,2018篇文章ID 4168538, 11页,2018年。视图:出版商的网站|谷歌学术搜索
20. a . Dhankhar s Juneja a Juneja,诉巴厘岛“内核参数优化调整分类器的识别性能的心脏疾病,”国际E-Health和医疗通讯》杂志上,12卷,不。4,硕士论文,2021页。视图:出版商的网站|谷歌学术搜索
21. a . Juneja Juneja, s·考尔,诉Kumar“预测糖尿病与机器学习技术使用多目标决策,”国际信息检索研究杂志》上,11卷,不。2,38-52,2021页。视图:出版商的网站|谷歌学术搜索
22. r . Geirhos d·h·j·詹森·h·h·shutt j . raub m .陆慈和f . a . Wichmann”比较深层神经网络对人类:对象识别信号变弱时,“2017年,https://arxiv.org/abs/1706.06969。视图:谷歌学术搜索
23. 比比Benuwa詹y, b . Ghansah d . k . Wornyo和f . Banaseka Kataka,“回顾深机器学习,”国际在非洲的工程研究杂志》上,24卷,不。2017年2月,页124 - 136,2016。视图:出版商的网站|谷歌学术搜索
24. j . Thirumaran和s . Shylaja医学图像处理的介绍、国际科学和研究期刊》的研究(IJSR), 2017年。
25. s . Khobragade女子,c . y .帕蒂尔和诉Narke”自动检测主要肺部疾病使用胸片和由前馈人工神经网络分类”2016年IEEE国际会议1日电力电子、智能控制和能源系统(ICPEICES),页1 - 5,新德里,印度,2016。视图:出版商的网站|谷歌学术搜索
26. j . Chen x气,o . Tervonen o . Silven g .赵和m . Pietikainen“胸腔疾病使用深卷积神经网络诊断,”IEEE 2016年第38届国际会议在医学和生物工程协会(EMBC)奥兰多,页2287 - 2290,美国2016年。视图:出版商的网站|谷歌学术搜索
27. l . x, y Peng, z, m .阿訇和r·m·萨默斯“ChestX-ray8: hospital-scale胸透数据库和基准weakly-supervised分类和定位的常见的胸腔疾病,”诉讼-30 IEEE计算机视觉与模式识别会议,CVPR 2017,页3462 - 3471,檀香山,夏威夷,美国,2017年。视图:出版商的网站|谷歌学术搜索
28. 黄懿慧Chan y z曾庆红,h·c·吴m . c .吴和h . m .太阳,“有效的气胸检测胸部x光图像,采用局部二进制模式和支持向量机”医疗保健工程卷,2018篇文章ID 2908517, 11页,2018年。视图:出版商的网站|谷歌学术搜索
29. n . Sharma诉Jain, a . Mishra“卷积神经网络对图像分类的分析,“Procedia计算机科学,卷132,不。Iccids, 377 - 384年,2018页。视图:出版商的网站|谷歌学术搜索
30. 一代诗人和p .把从肺疾病检测x射线图像基于混合深度学习图像和视频处理,康奈尔大学,2020。
31. 克里拉,s . Sornapudi m和s . Antani“评估一个机器学习的模型对胸片异常检测,”IEEE 2019年第41届国际会议在医学和生物工程协会(EMBC),页3689 - 3692年,柏林,德国,2019年。视图:出版商的网站|谷歌学术搜索
32. m z, c . Wang汉et al .,“胸疾病识别和定位有限的监督”《IEEE计算机视觉与模式识别会议,页8290 - 8299,盐湖城,UT,美国,2018年。视图:出版商的网站|谷歌学术搜索
33. 沙玛,d .拉,美国野生动物,“胸部x光检测肺炎云使用图像处理方法,”2017年Nirma大学工程国际会议(NUiCONE)2018年,页1 - 4,艾哈迈达巴德,印度。视图:出版商的网站|谷歌学术搜索
34. l .姚明,e . Poblenz d . Dagunts b·卡温顿·d·伯纳德,和k·莱曼,“从头学习诊断利用标签之间的依赖关系,“2017年,https://arxiv.org/abs/1710.10501。视图:谷歌学术搜索
35. a . Esteva b . Kuprel r . a .诺沃亚et al .,“Dermatologist-level皮肤癌与深层神经网络分类”自然,卷542,不。7639年,第118 - 115页,2017年。视图:出版商的网站|谷歌学术搜索
36. j . Lelieveld a . Pozzer Poschl, m . Fnais a·海恩斯和t . Munzel”损失的预期寿命从空气污染比其他风险因素:全球的角度来看,“心血管研究,卷116,不。11日,第1917 - 1910页,2020年。视图:出版商的网站|谷歌学术搜索
37. s . Sanyal t . Rochereau c . n . Maesano l . Com-Ruelle i Annesi-Maesano,“长期室外空气污染对死亡率和发病率的影响:大都会法国12年随访研究,“国际环境研究和公共卫生杂志》上,15卷,不。11日,第2488 - 2487页,2018年。视图:出版商的网站|谷歌学术搜索
38. 国家卫生研究院的胸部x光片数据集,国立Health-Clinical中心,2017年。
39. 美国Albawi, t·a·m·穆罕默德,s . Alzawi数据驱动的方法使用卷积神经网络Encoder-Decoder Pablo降水参数化Ieee 2017。
40. k·t·o·谢伊“介绍卷积神经网络,”2015年,https://arxiv.org/abs/1511.08458。视图:谷歌学术搜索
41. m·加戈和g . Dhiman“深卷积神经网络方法缺陷检查纹理的表面,“电子和计算机学院的杂志上,卷2,不。1,28-38,2020页。视图:出版商的网站|谷歌学术搜索
42. r .山下式m .西r·k·g .,和k . Togashi“卷积神经网络:在放射学和应用,概述”洞察成像,9卷,不。4、611 - 629年,2018页。视图:出版商的网站|谷歌学术搜索
43. j .顾z . Wang j . Kuen l .妈,a . Shahroudy和帅,“最近卷积神经网络的进步,”模式识别卷,77年,第377 - 354页,2018年。视图:出版商的网站|谷歌学术搜索
44. m·h·Sazli”简要回顾前馈神经网络,”安卡拉大学通信学院科学系列就是物理科学和Engineeringv,50卷,2006年。视图:出版商的网站|谷歌学术搜索
45. 戴秉国z和r .黑格尔“渠道规范化卷积神经网络避免了梯度消失,”2019年,https://arxiv.org/abs/1907.09539。视图:谷歌学术搜索
46. 问:赵,美国律、b . Zhang和w·冯”Multiactivation池卷积神经网络的图像识别方法,”无线通信和移动计算卷,2018篇文章ID 8196906, 15页,2018年。视图:出版商的网站|谷歌学术搜索
47. a . f . Agarap“深度学习使用修正线性单元(ReLU),”2018年,https://arxiv.org/abs/1803.08375。视图:谷歌学术搜索
48. z Qiumei、t·丹和w·奉化“改进的基于快速卷积神经网络指数线性单元的激活函数,“IEEE访问7卷,第151367 - 151359页,2019年。视图:出版商的网站|谷歌学术搜索
49. l . Pillaud-Vivien a鲁迪,f·巴赫,“统计最优随机梯度下降法的通过多种通过艰苦的学习问题,”第8124 - 8114页,2018年,https://arxiv.org/abs/1805.10074。视图:谷歌学术搜索
50. c . Goutte和e . GaussierCh10_Witnesses [8463] . pdf智能系统的发展和计算,施普林格,2005年。
51. m . Sokolova: Japkowicz, s . Szpakowicz“AI 2006:人工智能的发展,”澳大拉西亚的联合会议上人工智能,页1015 - 1021年,柏林,2006年12月4 - 8人,海德堡。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Sapna Juneja等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。