评估深层神经网络架构与转移学习肺炎的诊断

文摘

肺炎是一种传染性的疾病,导致空气囊的炎症。它可以危及生命的年轻人和老年人。检测肺炎的x射线图像是一个重大的挑战。早期发现与诊断和帮助可以是至关重要的。最新发展领域的深度学习有显著提高他们的性能在医学图像分析。优越的深学习方法的预测性能使他们适合肺炎分类从胸部x光图像。然而,培训深度学习模型可以麻烦和资源密集型的。重用公共的知识表示模型训练的大规模数据集通过转移学习可以帮助缓解这些挑战。在本文中,我们比较各种图像分类模型基于转移学习知名深学习架构。Kaggle胸部x射线数据集被用来评估和比较我们的模型。 We apply basic data augmentation and fine-tune our feed-forward classification head on the models pretrained on the ImageNet dataset. We observed that the DenseNet201 model outperforms other models with an AUROC score of 0.966 and a recall score of 0.99. We also visualize the class activation maps from the DenseNet201 model to interpret the patterns recognized by the model for prediction.

1。介绍

肺炎是一种急性感染的肺部肺泡炎症的特征。肺泡浓汁的填充和液体导致呼吸困难,痛苦的呼吸,和缺乏氧气的摄入量。肺炎感染可能是由于病毒,细菌和真菌制剂是最常见的细菌和病毒感染最危险的。他们是主要的传染性死亡原因在5岁以下的儿童。他们也是死亡的主要原因之一,在发展中国家和慢性疾病。肺炎的早期检测是至关重要的,以避免严重的并发症和致命的后果。它们通常通过检查病人的胸部x光发现定位受感染的地区。胸部x光也便宜,可以在短时间内获得。特色领空的透明的x射线图像通常显示肺炎。不仅是检查胸部x光检测肺炎单调乏味的任务,但是发现放射性审查员在世界上一些偏远地区是具有挑战性的1]。因此,机器学习方法在医学图像像x射线是一种可行的选择。他们可以帮助放射科医生快速和高效的肺炎检测。高度精确的模型甚至可以执行一个独立的诊断为肺炎。

用高效的深度学习方法取代繁琐的传统方法手工制作有用的特性,神经网络医疗诊断系统是非常准确的2- - - - - -5]。尤其是像卷积神经网络(cnn)模型能够捕捉和暴露有关,从图像信息特征,使他们强大的医学图像的特征提取方法。最近,变形金刚,self-attention-based神经网络架构,最初设计用于自然语言处理(NLP),显示承诺在计算机视觉(CV)的表现。可以建立自定义架构测试或使用流行的架构从现成的和抽象的文学在几个像TensorFlow深度学习编程框架。然而,有几个可用的组件选择建立一个深层神经网络(款),构建和优化模型可以款繁琐和耗时。此外,表现最好的模型往往与大量的深层网络参数限制空间和时间复杂度在训练这些模型。这些深层网络还需要大型数据集学习底层特征表示和概括看不见的数据。获得这样的大型数据集通常是不实际在医学领域。大多数这些限制可以被用一种流行的技术,解决转移学习。在这种方法中,我们使用模型对大规模数据集训练,调整我们的目标数据集几个迭代。 Despite the variation in the distribution of the source dataset from the target dataset, the approach is surprisingly effective in medical image classification tasks. They can also be trained in a significantly shorter time as opposed to the several hours required to train an entire DNN model. In this work, we investigate transfer learning for pneumonitis classification from X-ray images with several neural network architectures.

论文的主要贡献如下:(1)我们证明转移学习使用pretrained ImageNet模型可以实现性能优良的肺炎分类任务(2)我们应用数据增加改善模型性能和泛化(3)我们进行绩效评估和比较流行的肺炎DNN-based方法检测从胸部x光图像(4)我们调整前馈分类各种pretrained模型和评价模型在测试集上。我们表现最好达到96.6%的AUROC DenseNet201模型(5)目视判读的预测表现最好通过Grad-CAM DenseNet201模型

剩下的纸是组织如下。我们审查各种肺炎检测工作相关工作。材料和方法提供了一个介绍款架构研究工作,讨论了实现细节。我们提出我们的实验结果和讨论的结果。最后,我们总结研究和讨论的局限性和未来的工作。

2。相关工作

神经网络由于其较高的预测能力,广泛应用于生物医学图像分类任务。Sarvamangala调查cnn医学图像理解(6]。Litjens等人总结300篇论文在深度学习医学图像分析7]。马等人调查几个适用于各种任务深度学习在肺医学图像的分析8]。刘等人进行比较,从医学图像深度学习模型在检测疾病9]。Esteva等人总结基于深度学习医学的进步计算机视觉在过去的十年里(10]。

Varela-Santos等人得到纹理特征灰度同现矩阵和喂给一个前馈神经网络(11]。Sirazitdinov等人使用一个合奏RetinaNet和面具R-CNN肺炎检测和定位(12]。越等人使用Kaggle胸部x射线数据集执行肺炎分类使用MobileNet连同其他架构通过训练了20世纪(13]。Elshennawy易卜拉欣也报告良好的准确性和MobileNet ResNet模型在整个网络重新训练(14]。贾殷等人比较他们的CNN模型和pretrained VGG, ResNet和初始模型(15]。东印度缎木等人使用转移学习VGG16和Xception模型准确性,并报告87%和82%分别(16]。塞尔瓦托等人使用10倍交叉验证ResNet50架构的整体使用x光胸透TRACE4平台数据集COVID-19预测COVID-19肺炎(17]。他们展示出了一些有希望的结果在两个独立的测试集以及它们的交叉验证数据集。InstaCovNet-19模型的古普塔等人使用叠加pretrained InceptionV3, MobileNetV2, ResNet101, NASNet和Xception模型达到99%的精度检测COVID-19和肺炎(18]。

高预测性能可以通过开发架构获得特定于域的任务和利用来自多个源的数据集。恋人等人胸部x光图像用于肺炎编译来自多个来源,取得了99.8%的高精度使用自定义架构称为重组残余CNN (19]。Rajasenbagam等人用DCGAN-based增强技术加上VGG19网络胸部X-ray8数据集(20.]。斯蒂芬等人探索定制CNN模型的性能(21]。生活等人开发了一个切除卷积神经网络优于初始和VGG网络Kaggle胸部x射线数据集(22]。CheXNet Rajpurkar等人达到非凡的准确性在ChestX-ray14数据集分类14疾病(23]。哈蒙等人深入学习算法训练在一个跨国数据集包含胸部CT扫描定位肺区域并使用作物分类COVID-19肺炎(24]。他们实现一个AUROC得分95%的测试集。侯赛因等人开发了一个叫做CoroDet CNN架构,达到99%的精度检测COVID-19肺炎与99%的准确率在胸部x光片和CT图像包含标签正常,non-COVID肺炎,COVID肺炎(25]。

3所示。材料和方法

3.1。卷积神经网络

卷积神经网络构造用几个卷积层使用可学的过滤器或内核识别模式等图像的边缘,纹理,颜色和形状。CNN模型拥有一些可取的属性,使复杂特征的提取在图像上,不然就很难提取(26]。自成功的AlexNet ImageNet大规模图像分类竞争,CNN已经发明了几种变异,探索各种方法克服的限制标准的CNN模型(27]。

通过学习适当的过滤器使用梯度descent-based优化器,CNN可以捕捉时空连接在一个图像。他们从低级分层次构建高级功能特性,帮助cnn有效区分不同对象在一个图像。CNN算法的另一个理想的特征参数共享。因为相同的参数(过滤器)重用来计算特定特性在不同空间位置的输入图像,使用的参数数量也大大减少了。

卷积层常用的与网络中其他组件。激活层引入了非线性层之间,它允许网络捕捉出现在输入特性的复杂关系。而纠正线性单元层是一个常用的激活函数,也可以更多这样的功能。减少功能的大小表示我们深入传播网络,将采样层max-pooling和平均池也使用。分类、输出层softmax或乙状结肠输出值转换为概率密度。

3.2。图像变形金刚

这些都是架构成功的启发,NLP的变压器。这些模型应用self-attention输入(例如,补丁或图像像素)在输入图像捕获模式中依赖关系。他们通常涉及pretraining网络在大规模数据集通过self-supervised或监督方法微调下游任务紧随其后。

3.3。转移学习

款可以极其困难和昂贵的培训,特别是深网络需要大量的参数和失败。然而,一些流行款模型使用强大的基础设施构建大规模数据集使用不同的类(ImageNet、JFT等)。因此,他们可以从广泛的图像捕获模式输入和优秀的特征提取器。重用知识表示的概念从一个任务到另一个名为转移的任务是学习。一个可以使用这些估计权重作为热启动他们的神经网络初始权值优化的过程。一个更经济的替代方法是冻结在所有层的权重除了倒数第二层网络和调整他们的目标任务。在这项工作中,我们检查后一种方法。在本节中,我们提出详细的研究中使用的方法和技术。我们利用pretrained模型、工具和模型训练工具TensorFlow框架。本研究的总体管线图描述1。

3.3.1。ResNet101V2

剩余网络使用跳过或快捷键连接的概念来有效地保留信息通过层层款缓和梯度消失的问题。我们在这项工作中使用ResNet101V2变体。与神经网络层,剩余网络帮助学习功能有效地在低和高水平训练网络。

3.3.2。DenseNet201

与标准的CNN模型中的每个卷积层只有以前的连接层,DenseNet层使用前所有层的特征图作为输入前馈方式。我们使用DenseNet201模型分析。它解决了各种梯度消失等问题问题,并提供改进的传播特点和优势减少了参数的数量。

3.3.3。InceptionV3和InceptionResNetV2

这些“宽”CNN模型堆栈卷积核的输出与输入大小不一。Inception-ResNet模型集成了剩余连接ResNet《盗梦空间》。使网络深度,使它广泛帮助解决梯度消失的问题。体系结构还引入了两个辅助分类器,提高收敛性。我们在这项工作中使用InceptionV3和InceptionResNetV2模型。

3.3.4。Xception

卷积模型初始模型进行扩展,将切除分离层。这些层应用卷积切除了逐点的卷积,从而高效地利用模型参数。这是一个改进版的《盗梦空间》使用切除分离卷积由谷歌的研究人员。这里,不同于原来的顺序操作 首先应用卷积,然后channel-wise空间卷积。另一个区别是,没有中间ReLU非线性。

3.3.5。MobileNetV2

这些轻量级模型最初是用于移动和嵌入式设备资源缺乏的环境中(28]。他们引进一些先进的技术来开发光神经网络模型。最重要的是使用切除可分离旋转。模型优化有效地权衡各种因素之间如准确性、延迟、宽度、和解决。我们使用MobileNetV2模型为我们的分析工作。

3.3.6。NASNetMobile

这些模型使用神经结构设计的搜索(NAS)小规模数据集CIFAR-10和转移到像ImageNet大规模数据集。NASNetMobile是一个卷积神经网络,训练图像从ImageNet数据库超过一百万。因此,网络学习丰富广泛的图像特征表示。我们使用NASNetMobile模型分析。在NASNet,虽然整体架构是预定义的,搜索块或细胞强化学习方法。(或在)正常的结构和减少细胞由控制器RNN搜索(递归神经网络)。

3.3.7。维特

愿景变压器(ViT)体系结构使用的线性预测补丁图像作为输入的多线程self-attention组件的变压器29日]。我们使用的维生素b / 16变体ImageNet权重。维特将图像分为补丁,然后趋于平缓的补丁,并产生低维线性嵌入这些扁平的补丁。此外,维特包括位置嵌入的序列图像补丁然后提要作为输入标准变压器编码器。变形金刚是pretrained ImageNet等大型数据集或jft - 300 m。不像变形金刚的语言模型,使用self-supervised pretraining,我们报告一个监督pretraining方法更好的性能。

3.4。数据集

我们用胸部x光图像为肺炎分类Kermany et al。30.为发展神经网络诊断肺炎模型)。数据集包含了高质量、expert-graded胸部x光图像的图像标签指示正常,pneumonitis-infected肺。肺炎的分类包括细菌和病毒感染的图片。数据集包括培训5248张图片和624的图片进行评估。数据集分布如图2,和一些示例图像如图3。

3.5。数据预处理

我们保留10%的训练数据验证早期停止分裂。图片会做调整以 和缩放−1 + 1的范围内。数据随机扩增技术应用于人工增加数据集的大小,使模型健壮的变化数据。数据增加可以帮助增加对看不见的数据模型的普遍性。各种对应应用和各自的参数如表所示1。执行增加时,图像的像素边界外使用最近邻方法外推。

3.6。安装、培训和评估

我们执行转移学习在各种主流CNN架构,保留卷积数据集层和修改前馈层。实验的模型选择的选择。我们使用pretrained ImageNet重量Keras可用的应用程序模块。模型建立与TensorFlow 2.4.1特斯拉P100 GPU。

在培训过程中,卷积层冻结,只有自定义训练前馈层。这允许重用的过滤器已经从ImageNet数据集,避免了昂贵的再培训的整个网络。我们用一个指数学习速率衰减定义如下衰减率和吗是当前时代。时代与学习速率曲线显示的调度程序图4。

我们对不同款的架构和重复的方法记录不同的性能指标和网络参数的数量。我们使用一个验证/开发分割为监控模型的训练和识别最佳hyperparameters。Hyperparameters手动调谐优化损失,AUROC得分。测试集是用于评估的性能调优模型和计算中使用的性能指标,而不是开发过程模型。表2显示了不同的hyperparameters及其相关的值。

此外,我们的情节类激活DenseNet201模型可视化的地图区域的输入模型被认为是重要的。我们使用Gradient-weighted类激活映射(Grad-CAM)提供的视觉解释预测方法通过粗定位地图(31日]。传输的通用体系结构学习方法如图5。

4所示。结果与讨论

图6代表了不同款的学习曲线模型。数据7- - - - - -10显示测试AUROC、精密分数,回忆分数,和准确性分数不同款的模型用于分析。临床诊断系统的主要指标是回忆,它被定义为模型的能力正确诊断条件和假阳性率(玻璃钢)32- - - - - -37]。接收机算子特性曲线下的面积(AUROC)允许我们识别模型,最好的回忆和最大化最小化玻璃钢。我们使用AUROC作为评价的主要指标。中华民国曲线是一个诊断的图示模型的回忆和玻璃钢分数在不同的截止点。一个模型的曲线接近45度线被认为是随机的。模型识别能力高的会有更多的曲线下的面积。我们也呈现特异性评分(1-FPR)的模型。

表现最好的模型是DenseNet201模型AUROC 96.7%。数据11- - - - - -18说明了标准化的混淆矩阵的各种模型款。DenseNet201混淆矩阵的模型图11显示了一个真阳性率高,这是最佳的医疗诊断。图6表明DenseNet201模型收敛速度比其他方法。此外,MobileNetV2模型显示之间的最佳平衡模型大小和预测性能。

数据19- - - - - -26描绘的ROC曲线DenseNet201,维特,MobileNetV2, NASNetMobile, ResNet101V2, Xception, InceptionV3,分别和InceptionResNetV2模型。曲线显示TPR和玻璃钢不同阈值是不同的。一般来说,我们看到的是玻璃钢迅速增加随着TPR的增加。此外,Grad-CAM热图DenseNet201图27显示模型,在大多数情况下,做了出色的参加的地区增加透明度通常表明肺炎。维生素模型是完全平衡的不同性能指标相比其他模型。一些模型显示回忆得分高于DenseNet201模型但表现不佳对其他指标。这个模型偏差是标签的偏态分布的结果,积极的标签在哪里大约三倍的负面标签。

从我们的实验中,我们观察到模型与功能复用技术(DenseNet201、ResNet101V2 MobileNetV2)和更广泛的网络(Xception和NASNetMobile)表现得明显更好。一个可能的解释是,随着pretrained网络,并不是所有的学习特征图可能是下游相关领域(在这种情况下肺x射线图像)。在更广泛的网络,我们的性能瓶颈缓解复合“不合时宜”的特征图谱我们更深的网络可能导致最终损失的信息。我们也看到一般与的大小模型改进的性能。火车模型也非常快,大多数模型完成一个时代在一分钟。表3列出了款车型相比的性能指标。表4显示每个模型中参数的数量。注意,虽然培训配置相似,比较公平,我们可以获得更高的准确性通过调优单个模型可教育的层次,不同的优化等。

5。结论

在这项研究中,我们进行一个比较分析转移学习的各种深层神经网络模型用于肺炎检测胸部x光图像。少量的预处理和hyperparameter调优,我们表现最好DenseNet实现了AUROC得分96.7%的测试集,Grad-CAM激活说明模型的预测的可靠性。模型的精度高表明这些模型在任务的功效。模型也更容易实现像TensorFlow使用深度学习框架。他们也比培训整个网络训练速度更快。

由于计算资源的限制,我们限制我们的实验Kermany et al的胸部x光图像和微调,冻层。在未来,我们可以扩展我们的实验,包括转移学习热启动和再培训。我们也可以在多个数据集源报告性能指标来评估泛化。采用这些模型来练习,额外的实验像概率校准,阈值,和偏见标识需要执行和是我们当前工作的范围之外,其重点是不同款架构的总体效率与传输的学习。进一步,未来研究可以为解决临床相关的查询,设计和先进的深度学习的有效性的方法将帮助放射科医生或内科医生精确地完成的肺炎检测胸部x光图像。

然而,提出了工作成果可以帮助专家做出最佳选择的模型,消除需要一个详尽的搜索。转移与深层神经网络学习减轻与模型训练和相关几个问题让我们为肺炎检测建立精确的模型,这有助于在肺炎的早期检测和管理。

数据可用性

在这项研究中使用的数据集是可用的https://data.mendeley.com/datasets/rscbjbr9sj/3。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了科技部,台湾(批准号most109 - 2221 - e - 224 - 048 - my2)。这项研究部分由“智能识别行业服务研究中心”的特色区域研究中心计划的框架内发芽项目由教育部高等教育在台湾(MOE)。

引用

1. r·b·乔治,胸部医学:肺和危重病医学的本质Lippincott Williams &威尔金斯,2005年。
2. s . Rajasegarar c . Leckie m . Palaniswami, j . c . Bezdek“季度球体建立分布式无线传感器网络中的异常检测问题,”2007年IEEE国际会议交流格拉斯哥,页3864 - 3869年,英国,2007年。视图:出版商的网站|谷歌学术搜索
3. t·r·Gadekallu m . Alazab r . Kaluri et al .,“手势分类使用小说CNN-crow搜索算法,”复杂和智能系统,7卷,不。4、1855 - 1868年,2021页。视图:出版商的网站|谷歌学术搜索
4. t·r·Gadekallu d·s·拉其普特人m . p . Reddy et al .,“小说PCA-whale文中针对深层神经网络分类模型使用GPU番茄植物疾病,”实时图像处理》杂志上,18卷,不。4、1383 - 1396年,2021页。视图:出版商的网站|谷歌学术搜索
5. 徐l .局域网,w .太阳,d . et al .,“COVID-19病人管理、基于人工智能的方法”聪明的药,1卷,不。1,10 - 15,2021页。视图:出版商的网站|谷歌学术搜索
6. d . r . Sarvamangala“卷积神经网络在医学图像的理解:一个调查,“进化的情报,22页,2021页。视图:出版商的网站|谷歌学术搜索
7. g . Litjens t . Kooi b . e . Bejnordi et al .,”一个调查深度学习在医学图像分析中,“医学图像分析,42卷,60 - 88、2017页。视图:出版商的网站|谷歌学术搜索
8. j·马,y的歌,x, y, r . Zhang和j .吴“肺医学成像深度学习调查,”医学前沿,14卷,不。4、450 - 469年,2020页。视图:出版商的网站|谷歌学术搜索
9. 刘x l .西班牙A美国甘蓝et al .,“比较深度学习表现和卫生保健专业人员从医学成像检测疾病:系统回顾和荟萃分析,“《柳叶刀》杂志上的数字医疗,1卷,不。6,pp. e271-e297, 2019年。视图:出版商的网站|谷歌学术搜索
10. a . Esteva k .周s Yeung et al .,“深learning-enabled医疗计算机视觉,”NPJ数字医学,4卷,不。1、1 - 9,2021页。视图:出版商的网站|谷歌学术搜索
11. Varela-Santos和p ?梅林”分类肺炎的x射线图像检测使用纹理特性和神经网络,”直观的和2型模糊逻辑神经和优化的改进算法:理论和应用程序。研究计算智能o·卡斯蒂略,p .梅林,j . Kacprzyk Eds。施普林格,卷。862年,可汗,2020年。视图:出版商的网站|谷歌学术搜索
12. Sirazitdinov, m . Kholiavchenko t . Mustafaev y一轩,r . Kuleev和b . Ibragimov“深层神经网络集成为肺炎从数据库大规模的胸部x光片定位,“电脑和电子工程卷,78年,第399 - 388页,2019年。视图:出版商的网站|谷歌学术搜索
13. z悦、l . Ma和r·张“深度学习的比较和验证模型的诊断肺炎,“计算智能和神经科学卷。2020年,8页,2020。视图:出版商的网站|谷歌学术搜索
14. n . m . Elshennawy和d·m·易卜拉欣Deep-pneumonia框架使用深度学习模型基于胸部x光图像,”诊断,10卷,不。9,649年,页2020。视图:出版商的网站|谷歌学术搜索
15. r . Jain, p . Nagrath g . Kataria v . s . Kaushik和d . j . Hemanth“肺炎检测胸部x光图像中使用卷积神经网络和传输学习,”测量,第165卷,第108046页,2020年。视图:出版商的网站|谷歌学术搜索
16. e·和h . m . Unver写道“诊断肺炎使用深度学习,从胸部射线图像”2019科学会议Electrical-Electronics与生物医学工程和计算机科学(EBBT),2019年,页1 - 5。视图:谷歌学术搜索
17. c·塞尔瓦托·m·Interlenghi c·b·蒙蒂et al .,“人工智能应用于x射线胸透COVID-19肺炎的鉴别诊断,”诊断,11卷,不。3,p。530年,2021年。视图:出版商的网站|谷歌学术搜索
18. a·古普塔,s·古普塔和r . Katarya“英斯达浸Net-19:深入学习分类模型的检测COVID-19病人使用x射线胸透,”应用软计算第106859条,卷。99年,2021年。视图:出版商的网站|谷歌学术搜索
19. r .恋人,r . Menaka和m . Hariharan”学习独特的过滤器COVID-19检测使用慢吞吞地从胸部x光片残余CNN,“应用软计算第106744条,卷。99年,2021年。视图:出版商的网站|谷歌学术搜索
20. t . Rajasenbagam s Jeyanthi, j . a . Pandian”检测感染肺炎的肺使用深从胸部x光图像卷积神经网络和基于内容的图像检索技术,”环境智能和人性化计算杂志》上,2021卷,2021年。视图:出版商的网站|谷歌学术搜索
21. o . Stephen m .祈神保佑,j . Maduh和d,“一个有效的深度学习肺炎分类方法在医疗、”医疗保健工程卷。2019年,7页,2019。视图:出版商的网站|谷歌学术搜索
22. 美国生活,m·斯利瓦斯塔瓦·d·库马尔,m .王妃p . Muthreja和g . Mohadikar“肺炎检测使用深度方面卷积神经网络(DW-CNN),“EAI普及卫生和技术支持的事务》第六卷,没有。23日,1 - 10,2020页。视图:出版商的网站|谷歌学术搜索
23. p . Rajpurkar j·欧文,朱k . et al .,“Chexnet: radiologist-level肺炎检测与深度学习在胸部x光检查,”2017年,https://arxiv.org/abs/1711.05225。视图:谷歌学术搜索
24. s a·哈蒙t·h·桑福德s徐et al .,“人工智能的检测COVID-19肺炎在胸部CT使用跨国数据集,“自然通讯,11卷,不。1,p。4080年,2020。视图:出版商的网站|谷歌学术搜索
25. e·侯赛因·m·哈桑·m·a·拉赫曼。李,t . Tamanna和m . z .首脑“重复相同:一个基于深度学习的分类COVID-19检测使用胸部x光图像,”混乱,孤波和分形,第142卷,第110495页,2021年。视图:出版商的网站|谷歌学术搜索
26. v . s .达卡,s . v .之一Meena g .王妃et al .,“深卷积神经网络的调查申请植物叶子上疾病的预测,”传感器,21卷,不。14,4749年,页2021。视图:出版商的网站|谷歌学术搜索
27. z . Li f . Liu w·杨,s .彭和j .周“卷积神经网络的调查:分析,应用,前景,”IEEE神经网络和学习系统,2021年。视图:谷歌学术搜索
28. p . n . Srinivasu j·g .湿婆Sai m . f . Ijaz a . k . Bhoi w·金和j·j·康”的皮肤病用深度学习神经网络分类MobileNet V2 LSTM,”传感器,21卷,不。8,2852年,页2021。视图:出版商的网站|谷歌学术搜索
29. a . Dosovitskiy l·拜尔,a Kolesnikov et al .,“形象价值16 x16词:图像识别变压器的规模,”2020年,https://arxiv.org/abs/2010.11929。视图:谷歌学术搜索
30. d . Kermany k . Zhang, m . Goldbaum”标签的光学相干断层扫描(OCT)和胸部x光图像分类,“Mendeley数据,2卷,2018年。视图:出版商的网站|谷歌学术搜索
31. r·r·Selvaraju m . Cogswell Das, r . Vedantam d·帕里克说,d·巴特拉”Grad-cam:视觉解释基于从深层网络通过梯度本地化,”2017年IEEE计算机视觉国际会议(ICCV),第626 - 618页,威尼斯,意大利,2017年。视图:谷歌学术搜索
32. l·k·斯里尼瓦桑Garg d Datta et al .,“深CNN模型的性能比较检测司机的注意力分散,”电脑,材料和连续,卷68,不。3、4109 - 4124年,2021页。视图:出版商的网站|谷歌学术搜索
33. k . Srinivasan s Rajagopal d . g . Velev和b . Vuksanovic”实现的有效检测肿瘤磁共振成像使用cluster-sparse辅助超分辨率,”生物医学工程杂志》15卷,2021。视图:谷歌学术搜索
34. k . j . Sanchez-Riera k·斯里尼瓦桑,w . Cheng m·a·侯赛因和m . f . Alhamid“健壮RGB-D跟踪使用深度学习先知先觉,手”IEEE电路和系统视频技术,28卷,不。9日,第2301 - 2289页,2018年。视图:出版商的网站|谷歌学术搜索
35. a·k·斯里尼瓦桑Ankur,沙玛,“超分辨率的磁共振图像,采用深卷积神经网络”2017年IEEE国际会议对消费者Electronics-Taiwan (ICCE-TW),页41-42,台北,台湾,2017。视图:出版商的网站|谷歌学术搜索
36. k . Srinivasan a . k . Cherukuri d·r·文森特·a·加戈,和B.-Y。陈”,一个高效的人工神经网络实现K-fold交叉验证流程优化,“互联网技术杂志》,20卷,不。4、1213 - 1225年,2019页。视图:谷歌学术搜索
37. r . Nandhini Abirami, p . m·d·r·文森特·k . Srinivasan,塔里克,彭译葶。常,“CNN和深深GAN计算视觉perception-driven图像分析,“复杂性卷。2021年,30页,2021年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021苏利耶•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。