Deep Learning pentru radiografiile toracice: Clasificare asistată de calculator

Titlul original:

Deep Learning for Chest Radiographs: Computer-Aided Classification

Conținutul cărții:

Deep Learning for Chest Radiographs enumeră diferite strategii implementate de autori pentru proiectarea unui sistem eficient de clasificare asistată de calculator (CAC) bazat pe rețele neuronale de convoluție pentru clasificarea binară a radiografiilor toracice în "normale" și "pneumonii". Pneumonia este o boală infecțioasă cauzată în principal de o bacterie sau de un virus. Principalele ținte ale acestei boli infecțioase sunt copiii cu vârsta sub 5 ani și adulții cu vârsta peste 65 de ani, în special din cauza imunității lor scăzute și a ratelor scăzute de recuperare. La nivel mondial, pneumonia are amprente predominante și ucide mai mulți copii decât orice altă boală bazată pe imunitate, cauzând până la 15% din decesele copiilor pe an, în special în țările în curs de dezvoltare. Dintre toate modalitățile de imagistică disponibile, cum ar fi tomografia computerizată, radiografia sau razele X, imagistica prin rezonanță magnetică, ultrasunetele și așa mai departe, radiografiile toracice sunt cele mai utilizate pentru diagnosticul diferențial între normal și pneumonie. În proiectarea sistemului CAC implementat în această carte, au fost utilizate un total de 200 de imagini de radiografie toracică, constând în 100 de imagini normale și 100 de imagini de pneumonie. Aceste radiografii toracice sunt completate folosind transformări geometrice, cum ar fi rotația, translația și răsturnarea, pentru a crește dimensiunea setului de date în vederea formării eficiente a rețelelor neuronale convoluționale (CNN).

Un total de 12 experimente au fost efectuate pentru clasificarea binară a radiografiilor toracice în Normal și Pneumonie. Acesta include, de asemenea, strategii detaliate de punere în aplicare a experimentelor exhaustive efectuate utilizând abordări bazate pe învățarea prin transfer cu fuziunea deciziilor, extragerea profundă a caracteristicilor, selectarea caracteristicilor, reducerea dimensionalității caracteristicilor și clasificatoare bazate pe învățarea automată pentru punerea în aplicare a modelelor de sisteme CAC bazate pe CNN end-to-end, modele de sisteme CAC bazate pe CNN ușoare și modele de sisteme CAC hibride pentru radiografiile toracice.

Această carte este o resursă valoroasă pentru academicieni, cercetători, clinicieni, studenți postuniversitari și absolvenți în imagistică medicală, CAC, diagnostic asistat de calculator, știința și ingineria calculatoarelor, inginerie electrică și electronică, inginerie biomedicală, bioinformatică, bioinginerie și profesioniști din industria IT.