A CNN-Based Framework for Automatic Segmentation of Chest X-ray Images and Multi-Type Respiratory Disease Recognition
Notice bibliographique
Résumé
Respiratory diseases pose a significant threat to human health, and early, accurate diagnosis is critical for improving patient outcomes.Chest X-ray imaging, due to its affordability and convenience, remains the primary tool for clinical screening.However, traditional manual interpretation is time-consuming, experience-dependent, and prone to oversight and misdiagnosis.With the advancement of deep learning in medical imaging, computer visionbased automated analysis offers promising solutions to these challenges.Nevertheless, existing methods such as U-Net and its variants often struggle with accurately segmenting complex lung structures, especially when dealing with noisy images, small lesions, or blurred boundaries.Additionally, conventional 2D convolutional neural networks (CNNs) have limitations in capturing the spatial features inherent in chest X-ray images, and current multi-disease classification models still face challenges in achieving high accuracy and generalizability.To address these issues, this study proposes two key innovations: First, an optimized U-Net++L3 network with pruning is developed for automatic chest X-ray segmentation, effectively reducing parameter redundancy while maintaining accuracy, thereby enhancing segmentation performance in regions with complex lesions.Second, a densely connected 3D CNN model is designed for the recognition of multiple respiratory diseases.By leveraging the spatial feature extraction capabilities of 3D convolutions and the feature reuse advantages of dense connections, the model achieves precise classification of conditions such as pneumonia, lung cancer, and chronic obstructive pulmonary disease (COPD).The outcomes of this research aim to overcome the limitations of traditional models in terms of segmentation accuracy, computational efficiency, and feature representation, providing both theoretical innovation and practical value for rapid clinical screening and the enhancement of primary healthcare resources.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».