CNN-O-ELMNet: 优化的轻量化通用模型,用于肺部疾病分类和严重性评估| 文献速递-先进深度学习疾病诊断

Title

题目

CNN-O-ELMNet: Optimized Lightweight andGeneralized Model for Lung DiseaseClassification and Severity Assessment

CNN-O-ELMNet: 优化的轻量化通用模型,用于肺部疾病分类和严重性评估

01

文献速递介绍

肺部疾病是全球主要的致残和死亡原因。根据世界卫生组织(WHO)的数据,肺部疾病约占全球死亡人数的10%,是全球第三大死因[1]。肺癌是全球癌症相关死亡的主要原因,2020年共记录了180万人死亡。结核病是重大的公共健康问题,每年约有1000万例病例报告,导致大约140万人死亡。因此,准确识别这些肺部疾病对于确定适当的治疗和住院需求至关重要。

为了诊断和分类肺部疾病,传统方法主要依赖于胸部X射线(CXR)和计算机断层扫描(CT)等医学影像技术。然而,即使是经验丰富的放射科医生也可能难以准确诊断和分类这些疾病。胸部X射线常用于慢性肺部疾病如结核病(TB)、肺癌(C)和气胸(P)的无创检测。胸部X射线可以显示气胸的迹象,如肺部标记的缺失、肺部塌陷的可见边缘、肺部周围的暗区以及纵隔移位。

Abstract

摘要

The high burden of lung diseases on healthcare necessitates effective detection methods. CurrentComputer-aided design (CAD) systems are limited by theirfocus on specific diseases and computationally demanding deep learning models. To overcome these challenges,we introduce CNN-O-ELMNet, a lightweight classificationmodel designed to efficiently detect various lung diseases,surpassing the limitations of disease-specific CAD systemsand the complexity of deep learning models. This modelcombines a convolutional neural network for deep featureextraction with an optimized extreme learning machine, utilizing the imperialistic competitive algorithm for enhancedpredictions. We then evaluated the effectiveness of CNNO-ELMNet using benchmark datasets for lung diseases:distinguishing pneumothorax vs. non-pneumothorax, tuberculosis vs. normal, and lung cancer vs. healthy cases.Our findings demonstrate that CNN-O-ELMNet significantlyoutperformed (p < 0.05) state-of-the-art methods in binaryclassifications for tuberculosis and cancer, achieving accuracies of 97.85% and 97.70%, respectively, while maintaining low computational complexity with only 2481 trainableparameters. We also extended the model to categorizelung disease severity based on Brixia scores. Achieving a96.20% accuracy in multi-class assessment for mild, moerate, and severe cases, makes it suitable for deploymentin lightweight healthcare devices.

肺部疾病对健康保健的高负担需要有效的检测方法。当前的计算机辅助设计(CAD)系统局限于特定疾病,并且对计算要求深度学习模型。为了克服这些挑战,我们引入了CNN-O-ELMNet,这是一个轻量级分类模型,旨在有效检测各种肺部疾病,超越特定疾病CAD系统和深度学习模型的限制与复杂性。该模型结合了用于深度特征提取的卷积神经网络和优化的极限学习机,利用帝国竞争算法提升预测能力。我们使用肺部疾病的基准数据集评估了CNN-O-ELMNet的有效性:区分气胸与非气胸、结核病与正常、肺癌与健康病例。我们的研究结果显示,CNN-O-ELMNet在结核病和癌症的二元分类中显著优于(p < 0.05)最先进的方法,分别达到97.85%和97.70%的准确率,同时保持低计算复杂性,仅使用2481个可训练参数。我们还扩展了该模型,根据Brixia评分对肺部疾病严重程度进行分类评估。在轻度、中度和重度病例的多类别评估中达到96.20%的准确率,使其适用于轻量级医疗设备的部署。

Method

方法

The CNN-O-ELMNet model integrates the ELM approach,a three-layered single hidden layer feedforward neural networkfor input reception, feature-based computation, and outputgeneration. Additionally, it employs the ICA algorithm torandomize countries into imperialists and colonies based oncost function values, leading to competitive interactions andthe emergence of a single empire. In the proposed CNN-OELMNet model, three stages— pre-processing, feature extraction, and classification are utilized,

CNN-O-ELMNet模型集成了ELM方法,这是一个三层的单隐藏层前馈神经网络,用于输入接收、基于特征的计算和输出生成。此外,它采用ICA算法根据成本函数值将国家随机分为帝国和殖民地,导致竞争性互动和单一帝国的形成。在提议的CNN-O-ELMNet模型中,使用了三个阶段——预处理、特征提取和分类。

Conclusion

结论

The proposed CNN-O-ELMNet model represents a robustand lightweight classifier tailored for a broad spectrum oflung diseases. Across various classification tasks, includingthe discrimination of pneumothorax from non-pneumothorax,tuberculosis from normal cases, lung cancer from healthyindividuals, and the assessment of COVID-19 severity levels(mild, moderate, and severe), our model consistently demonstrates its proficiency. Leveraging ICA to fine-tune the hiddenlayer parameters of the simplified ELM, CNN-O-ELMNetnot only significantly enhances the accuracy of lung diseasedetection but also offers a notable reduction in time andcost compared to alternative diagnostic methods. Further, thiswork can be extended by adding different data modalitiesand diseases. Nonetheless, additional diversified and balanceddatasets are necessary to validate its performance.

提出的CNN-O-ELMNet模型是一个针对广泛肺部疾病的强大且轻量的分类器。在各种分类任务中,包括区分气胸和非气胸、结核病和正常情况、肺癌和健康个体,以及评估COVID-19的严重程度(轻度、中度和重度),我们的模型始终表现出卓越的能力。通过利用ICA调整简化ELM的隐藏层参数,CNN-O-ELMNet不仅显著提升了肺部疾病检测的准确性,还比替代诊断方法具有显著的时间和成本减少。此外,这项工作可以通过添加不同的数据模态和疾病来进行扩展。然而,需要进一步使用多样化和平衡的数据集来验证其性能。

Figure

图片

Fig. 1. The CNN-O-ELMNet model architecture for processing CXR/CTimages, including preprocessing, feature extraction, and classification,with potential deployment of results on user interfaces for end-users.

图1. CNN-O-ELMNet模型架构,用于处理胸部X射线/计算机断层扫描(CXR/CT)图像,包括预处理、特征提取和分类,可能在用户界面上展示结果供最终用户使用。

图片

Fig. 2. Layered representation of the optimized extreme learningmachine (O-ELM) showcasing random weight optimization with ICA formatrix A and weight calculation for C using the Moore-Penrose inverse.

图2. 优化极限学习机(O-ELM)的分层表示,展示了使用ICA进行矩阵A的随机权重优化和使用Moore-Penrose逆计算C的权重。

图片

Fig. 3. Initial empire setup in ICA optimization, featuring imperialists and their colonies.

图. 3. ICA优化中的初始帝国设置,展示帝国和它们的殖民地。

图片

Fig. 4. Colony movement towards imperialists - A key step in ICAoptimization, initiating imperialist competition.

Fig. 4. 殖民地向帝国主义者移动 - ICA优化中的关键步骤,引发帝国主义者之间的竞争。

图片

Fig. 5. Confusion matrix illustrating disease detection rates for proposed CNN-O-ELMNet on diverse multi-disease and multi-modality datasets.

Fig. 5. 混淆矩阵,展示了提议的CNN-O-ELMNet在多种多样的多疾病和多模态数据集上的疾病检测率。

图片

Fig. 6. Epoch-wise accuracy comparison of the proposed CNN-O-ELMNet model against baseline models (C-BP (CNN-BackPropagation, TLENet (TL with EfficientNetV2L), ST (Swin Transformer), S-ELM (Simple-ELM), and G-ELM (Genetic Algorithm based optimized ELM) across diversedatasets. Hidden neuron values: 1000 for C vs H and 1200 for all other classifications. Notations: C vs H (Cancer vs. Healthy), TB vs. N (Tuberculosisvs. Normal), P vs. NP (Pneumothorax vs. Non-Pneumothorax), and M vs. Mo vs. S (Mild vs. Moderate vs. Severe)

图6. 提出的CNN-O-ELMNet模型在不同数据集上与基准模型(C-BP(CNN反向传播)、TLENet(TL与EfficientNetV2L)、ST(Swin Transformer)、S-ELM(简单ELM)、G-ELM(基于遗传算法优化的ELM))的逐时段准确率比较。隐藏神经元值:C vs H为1000,其他分类均为1200。符号说明:C vs H(癌症 vs. 健康)、TB vs. N(肺结核 vs. 正常)、P vs. NP(气胸 vs. 非气胸)、以及M vs. Mo vs. S(轻度 vs. 中度 vs. 重度)。

图片

Fig. 7. Performance of the CNN-O-ELMNet model compared to different architectures with varying numbers of hidden neurons across multipledatasets. The highest accuracy is achive at the optimal hidden neuron value. Notations: C vs H (Cancer vs. Healthy), TB vs. N (Tuberculosis vs.Normal), P vs. NP (Pneumothorax vs. Non-Pneumothorax), and M vs. Mo vs. S (Mild vs. Moderate vs. Severe)

Fig. 7. CNN-O-ELMNet模型在多个数据集上与不同架构的性能比较,随着隐藏神经元数量的变化而变化。最高准确率在最佳隐藏神经元值时达到。符号说明:C vs. H(癌症 vs. 健康)、TB vs. N(结核病 vs. 正常)、P vs. NP(气胸 vs. 非气胸)、M vs. Mo vs. S(轻度 vs. 中度 vs. 重度)。

图片

Fig. 8. Displaying CNN-O-ELMNet model results in accuracy across diverse datasets for varying country and initial imperialist combinations.Notations: C vs H (Cancer vs. Healthy), TB vs. N (Tuberculosis vs. Normal), P vs. NP (Pneumothorax vs. Non-Pneumothorax), and M vs. MO vs. S(Mild vs. Moderate vs. Severe)

Fig. 8. 展示CNN-O-ELMNet模型在不同国家和初始帝国组合下在各种数据集上的准确率结果。符号说明:C vs. H(癌症 vs. 健康)、TB vs. N(结核病 vs. 正常)、P vs. NP(气胸 vs. 非气胸)、M vs. MO vs. S(轻度 vs. 中度 vs. 重度)。

Table

图片

TABLE Isymbolic table: visualizing terms through icons and emblems. notation: sym (symbol)

表格 I 符号表:通过图标和徽章展示术语。符号表示:SYM(符号)

图片

TABLE II  model performance across datasets assessed with precision, sensitivity, f-1 score, accuracy, and mcc.

表格2模型在不同数据集上的性能评估,包括精确度、敏感度、F1分数、准确率和MCC。

图片

TABLE IIIaccuracy comparison of the proposed cnn-o-elmnet (o-elm) model with baseline models (c-bp (cnn-backpropagation), tl-enet (tl with efficientnetv2l), st (swin transformer), s-elm (simple-elm), and g-elm (genetic algorithm based optimized elm)) on different datasets.

表格3 提议的CNN-O-ELMNet(O-ELM)模型与基准模型(C-BP(CNN-BACKPROPAGATION)、TL-ENET(TL WITH EFFICIENTNETV2L)、ST(SWIN TRANSFORMER)、S-ELM(SIMPLE-ELM)和G-ELM(基于遗传算法优化的ELM))在不同数据集上的准确率比较。

图片

TABLE IV performance comparison of the proposed model vs state-of-the-art models.

表格 IV提议模型与最先进模型的性能比较。

图片

TABLE V impact of individual components: ablation study results comparing the effects of elm integration (with and without), and the performance variance between optimized elm and simple-elm configurations, elucidating their influence on overall model performance. tl-enet refers to transfer learning with efficientnetv2l

表格 V个体组件的影响:消融研究结果比较了ELM集成的效果(有和无),以及优化ELM和简单ELM配置之间的性能差异,阐明它们对整体模型性能的影响。TL-ENET指的是使用EfficientNetV2L进行迁移学习。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/33903.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

nextjs-创建layouts共用UI和独立pages页面

原文链接&#xff1a;https://nextjs.org/learn/dashboard-app/creating-layouts-and-pages 01-nextjs起步02-css样式03-处理字体和图片05-页面之间的导航跳转更多 到目前为止&#xff0c;您的应用程序只有一个主页。让我们学习如何使用布局和页面创建更多路由。 本章目标 …

【学习】科大睿智解读ITSS认证中咨询机构的作用

企业拥有ITSS认证这不仅将为企业开拓商机&#xff0c;提升竞争力&#xff0c;还能促使企业改进内部运维流程&#xff0c;提高服务质量&#xff0c;为客户提供更优质的IT运维支持。在ITSS认证中&#xff0c;咨询机构扮演着重要的角色&#xff0c;其主要作用包括以下几个方面&…

金融科技在智能投研领域的应用与前景

随着科技的飞速发展&#xff0c;金融科技&#xff08;FinTech&#xff09;正逐步渗透到金融行业的各个细分领域&#xff0c;其中智能投研领域作为金融科技的重要应用之一&#xff0c;正展现出巨大的潜力和广阔的前景。智能投研利用大数据、人工智能&#xff08;AI&#xff09;等…

【C++】类和对象(五)隐式类型转换

文章目录 一、再谈构造函数构造函数体赋值初始化列表初始化列表的语法必须放在初始化列表的成员注意&#xff1a; explict关键字的使用单参数构造函数支持隐式类型的转换多参数构造函数支持隐式类型的转换缺省值 的 形式 总结一个题目 一、再谈构造函数 构造函数体赋值 在创建…

如何解决Java中的ClassCastException异常

如何解决Java中的ClassCastException异常&#xff1f; 大家好&#xff0c;我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编&#xff0c;也是冬天不穿秋裤&#xff0c;天冷也要风度的程序猿&#xff01;在Java开发中&#xff0c;ClassCastException异常是一个常…

Java高级重点知识点-14-Set接口、HashSet底层原理讲解

文章目录 Set接口 (HashSet 、LinkedHashSet)HashSet底层原理(重点理解) Set接口 (HashSet 、LinkedHashSet) 无序不重复 HashSet集合 HashSet 是根据对象的哈希值来确定元素在集合中的存储位置&#xff0c;因此具有良好的存取和查找性能。 public class HashSetDemo {publ…

新型防勒索病毒方案分享无需依靠病毒库

MCK具备可信系统&#xff0c;数据库保护&#xff0c;场景白名单&#xff0c;文件保护四大功能。如何运用在防勒索病毒中 在防勒索病毒的问题上&#xff0c;MCK主机的加固功能显得尤为重要。MCK的四大功能——可信系统、数据库保护、场景白名单以及文件保护&#xff0c;为我们在…

Excel 快速查询工具 2023.7.1 更新

Excel 快速查询工具作者表示这个软件是因为有时候需要在 Excel 和网站之间进行切换非常的麻烦&#xff0c;这款软件可以以半透明的方框位于桌面上。 特点 软件窗口半透明并至于顶部&#xff0c;无需来回切换界面。 实时查询&#xff0c;不用点击查询或者按回车之类的&#x…

IDEA 学习之 启动“卡死”

目录 1. 断点问题2. IDEA 版本问题 1. 断点问题 部分断点涉及应用启动&#xff0c;会导致启动“卡死” 2. IDEA 版本问题 部分 IDEA 版本存在启动问题&#xff0c;本人之前遇到过&#xff08;别人启动三分钟&#xff0c;我启动半个小时&#xff09;。更换别的版本&#xff…

文本和二进制混合存储

要想让文本和二进制混合存储&#xff0c;有两套方案&#xff1a; ①以文本为主&#xff0c;插入二进制数据 ②以二进制为主&#xff0c;区分文本和二进制数据段 第一套方案的例子&#xff1a; 时间戳[....]&#xff0c;这是一段64位二进制数据。 在这句话中&#xff0c;以二进制…

k8s强制删除一个 Pod

在Kubernetes&#xff08;K8s&#xff09;中强制删除一个Pod&#xff0c;通常是因为Pod处于错误状态或无法正常终止。以下是强制删除Pod的步骤和相关信息&#xff1a; ### 步骤一&#xff1a;获取Pod的名称 首先&#xff0c;你需要知道要删除的Pod的名称。可以使用kubectl get …

AI绘画工具的计算资源需求:深度解析与优化策略

引言 随着人工智能技术的飞速发展&#xff0c;AI绘画工具已经成为艺术创作和设计领域的新宠。这些工具利用深度学习算法&#xff0c;尤其是生成对抗网络&#xff08;GANs&#xff09;和变分自编码器&#xff08;VAEs&#xff09;&#xff0c;能够根据用户的指令或草图生成逼真…

Scala语言基础及进阶

Scala语言基础及进阶 1. 简介 Scala 是一种多范式的编程语言&#xff0c;融合了面向对象编程和函数式编程的特性。它运行在 JVM 上&#xff0c;并且与 Java 互操作性良好。Scala 由 Martin Odersky 于 2003 年设计并实现&#xff0c;目的是解决 Java 语言的一些局限性&#x…

docker技术的说明

根据学习网站整理&#xff1a;Docker 10分钟快速入门_哔哩哔哩_bilibili 小白也能看懂的容器科普说明_哔哩哔哩_bilibili 1.虚拟机&#xff0c;需要模拟硬件系统、运行整个操作系统&#xff0c;但体积臃肿&#xff0c;内存占用较高&#xff0c;程序的性能也会受到影响。 2.…

ubuntu离线安装docker导入镜像

docker安装包 准备工作 1.准备一个docker.service文件 内容如下&#xff1a; [Unit] DescriptionDocker Application Container Engine Documentationhttps://docs.docker.com Afternetwork-online.target firewalld.service Wantsnetwork-online.target[Service] Typenoti…

2024年全国VUE考试中心大全!

大家好&#xff0c;华为HCIA、HCIP、HCIE的笔试部分&#xff0c;都需要在VUE考试中心进行预约。但是很多同学都不知道当地VUE考试中心在哪里&#xff01; 为了解决大家的问题&#xff0c;这边整理了全国各大城市的VUE考试中心名称和详细地址。需要的小伙伴们可以来看看&#x…

JavaWeb系列十一: Web 开发会话技术(Cookie, Session)

韩sir Cookie技术Cookie简单示意图Cookie常用方法Cookie创建Cookie读取JSESSIONID读取指定Cookie Cookie修改Cookie生命周期Cookie的有效路径Cookie作业布置Cookie注意事项Cookie中文乱码问题 Session技术Session原理示意图Session常用方法Session底层机制Session生命周期Sessi…

开源模型应用落地-LangChain高阶-LCEL-表达式语言(八)

一、前言 尽管现在的大语言模型已经非常强大,可以解决许多问题,但在处理复杂情况时,仍然需要进行多个步骤或整合不同的流程才能达到最终的目标。然而,现在可以利用langchain来使得模型的应用变得更加直接和简单。 LCEL是什么? LCEL是一种非常灵活和强大的语言,可以帮助您更…

网络自动化的未来:NMP在设备管理中的实现与应用

随着网络规模的不断扩大和复杂性增加&#xff0c;传统的手动网络管理方法已经无法满足现代IT环境的需求。网络管理平台&#xff08;NMP&#xff09;的出现&#xff0c;为网络设备的自动化管理提供了有效的解决方案。本文将探讨NMP如何实现网络设备的自动化管理&#xff0c;以及…

FuTalk设计周刊-Vol.062

#AI漫谈 热点捕手 1.阿里云推出首个AI程序员&#xff1a;分钟级完成应用开发 在阿里云上海 AI 峰会上&#xff0c;阿里云推出了首个「AI 程序员」&#xff0c;其具备架构师、开发工程师、测试工程师等岗位技能&#xff0c;能完成任务分解、代码编写、测试、问题修复、代码提交…