Классификация пневмонии на основе конкатенированной CNN

Аннотация

В данном исследовании предложена модель конкатенированной CNN для обнаружения пневмонии, совмещённая с методом улучшения изображений на основе нечеткой логики. Процесс улучшения изображений с использованием нечеткой логики основан на новом алгоритме уточнённой фаззификации, который значительно повышает качество изображений и эффективность извлечения признаков для модели CCNN. Для обучения алгоритма использовались четыре набора данных: исходные изображения и изображения, обработанные с использованием нечеткой энтропии, стандартного отклонения и выравнивания гистограммы. Было показано, что использование улучшенных наборов данных значительно повысило производительность CCNN, при этом наилучшие результаты продемонстрировал набор данных с добавленной нечеткой энтропией. Предложенная модель CCNN достигла выдающихся показателей классификации, включая точность 98,9%, прецизионность 99,3%, F1 99,8% и полноту 99,6%. Экспериментальные сравнения показали, что улучшение изображений на основе нечеткой логики значительно превосходит традиционные методы, обеспечивая более высокую точность диагностики. Данное исследование демонстрирует эффективность совместного использования моделей глубокого обучения и современных методов улучшения изображений для анализа медицинских снимков.