Deep Learning for Chest Radiographs: Computer-Aided Classification
Deep Learning for Chest Radiographs wylicza różne strategie wdrożone przez autorów w celu zaprojektowania wydajnego systemu klasyfikacji wspomaganej komputerowo (CAC) opartego na splotowej sieci neuronowej do binarnej klasyfikacji radiogramów klatki piersiowej na "normalne" i "zapalenie płuc". Zapalenie płuc jest chorobą zakaźną wywoływaną głównie przez bakterie lub wirusy. Głównym celem tej choroby zakaźnej są dzieci w wieku poniżej 5 lat i dorośli w wieku powyżej 65 lat, głównie ze względu na ich słabą odporność i niższe wskaźniki powrotu do zdrowia. Na całym świecie zapalenie płuc jest powszechne i zabija więcej dzieci niż jakakolwiek inna choroba związana z odpornością, powodując do 15% zgonów dzieci rocznie, zwłaszcza w krajach rozwijających się. Spośród wszystkich dostępnych metod obrazowania, takich jak tomografia komputerowa, radiografia lub prześwietlenie rentgenowskie, rezonans magnetyczny, ultradźwięki i tak dalej, radiogramy klatki piersiowej są najczęściej wykorzystywane do diagnostyki różnicowej między normalnym a zapaleniem płuc. W projektach systemu CAC zaimplementowanych w tej książce wykorzystano łącznie 200 obrazów radiograficznych klatki piersiowej, składających się ze 100 obrazów normalnych i 100 obrazów zapalenia płuc. Te radiogramy klatki piersiowej zostały rozszerzone przy użyciu przekształceń geometrycznych, takich jak obrót, translacja i odwracanie, aby zwiększyć rozmiar zbioru danych w celu wydajnego uczenia konwolucyjnych sieci neuronowych (CNN).
Łącznie przeprowadzono 12 eksperymentów w celu binarnej klasyfikacji radiogramów klatki piersiowej na normalne i zapalenie płuc. Zawiera również dogłębne strategie implementacji wyczerpujących eksperymentów przeprowadzonych przy użyciu podejść opartych na uczeniu transferowym z fuzją decyzji, głęboką ekstrakcją cech, selekcją cech, redukcją wymiarowości cech i klasyfikatorami opartymi na uczeniu maszynowym w celu wdrożenia kompleksowych projektów systemów CAC opartych na CNN, lekkich projektów systemów CAC opartych na CNN i hybrydowych projektów systemów CAC dla radiogramów klatki piersiowej.
Ta książka jest cennym źródłem informacji dla naukowców, badaczy, klinicystów, studentów studiów podyplomowych i magisterskich w zakresie obrazowania medycznego, CAC, diagnostyki wspomaganej komputerowo, informatyki i inżynierii, inżynierii elektrycznej i elektronicznej, inżynierii biomedycznej, bioinformatyki, bioinżynierii oraz specjalistów z branży IT.