背景介紹

僅在美國，每年就有 100 多萬成年人因肺炎住院，其中約 5 萬人因此死亡（CDC，2017）。 目前，胸部 X 光檢查是診斷肺炎的最佳方法（WHO，2001），它在臨床護理和流行病學研究中發揮著至關重要的作用。然而，通過 X 光片來檢測肺炎是一項具有挑戰性的任務，需要依賴放射科醫師的專業能力。在這項工作中，我們提出了一個模型，可以通過胸部 X 光片自動檢測肺炎，其準確率甚至超過了放射科醫師。

模型介紹

我們的模型 ChexNet是一個 121 層的卷積神經網絡（DenseNet121[6]），它的輸入是胸部 X 光片，輸出是肺炎的概率以及熱點圖（heatmap）——用來定位最能指示肺炎的圖像區域。我們利用最近發布的 ChestX-ray14 數據集對 CheXNet 進行了訓練，該數據集包含 112,120 個單獨標注的 14 種不同胸部疾病（包括肺炎）的正面胸部 X 光片。我們使用密集連接（dense connections）和批量歸一化（batch normalization ）來優化這種深度網絡

數據集

ChestX-ray14[2]公開數據集，包含30805個病人在內的112120張前向胸部X光圖像，分為包括肺炎在內的14類胸部疾病。

數據劃分：
訓練集：28744個病人（93.3%），98637張圖像；
驗證集：1672個病人（5.4%），6351張圖像；
測試集：389個病人（1.3%），420張圖像
預處理
1. 所有圖片下采樣為224×224；
2. 使用ImageNet訓練集上的均值和方差進行標準化（normalize based on the mean and standard deviation of images in the ImageNet training set. ）
3. 數據增強：隨機水平翻轉 （筆者認為不好，沒做）

與放射科醫生對比
四個放射科醫生標注測試集，來源于斯坦福大學，工作經驗分別為4,7,25和28年

模型架構和訓練：

模型架構：
121層的DenseNet，使用ImageNet上的預訓練模型

損失函數
加權二分類交叉熵

優化算法
Adam

轉載于:https://www.cnblogs.com/yuho1996/p/9389077.html

總結

以上是生活随笔為你收集整理的CheXNET的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。