TY -的A2 -古普塔,Suneet Kumar盟,沙玛,钱德拉摩尼非盟- Goyal Lakshay盟——Chariar Vijayaraghavan m . AU -沙玛,肚脐PY - 2022 DA - 2022/03/30 TI -肺部疾病分类CXR图像中使用混合Inception-ResNet-v2模型和边缘计算SP - 9036457六世- 2022 AB - x射线胸透(CXR)成像是一种使用最广泛的和经济的测试诊断多种疾病。然而,即使专家放射科医生,这是一个挑战从CXR样本准确诊断疾病。此外,还有训练有素的放射科医生在世界范围内的严重短缺。在目前的研究中,一系列的机器学习(ML),深度学习(DL)、学习(TL)和转移方法已经评估疾病在一个公开可用CXR图像数据集进行分类。少数over-sampling的组合合成技术(打)和加权类平衡是用来减轻类不平衡的影响。混合Inception-ResNet-v2转移学习模型加上数据增强和图像增强给最好的准确性。模型是部署在使用亚马逊的优势环境物联网核心自动化疾病检测的任务与三类CXR图像,即肺炎,COVID-19,正常。比较分析了在不同精度等指标,还记得,准确性,AUC-ROC得分等。该技术使平均精度为98.66%。其他TL模型的精度,即SqueezeNet VGG19, ResNet50,和MobileNetV2是97.33%,91.66%,90.33%,和76.00%,分别。此外,DL模型,从头开始训练,给出了92.43%的准确性。 Two feature-based ML classification techniques, namely support vector machine with local binary pattern (SVM + LBP) and decision tree with histogram of oriented gradients (DT + HOG) yield an accuracy of 87.98% and 86.87%, respectively. SN - 2040-2295 UR - https://doi.org/10.1155/2022/9036457 DO - 10.1155/2022/9036457 JF - Journal of Healthcare Engineering PB - Hindawi KW - ER -