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:/a/743124.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

七天速通javaSE:第一天 入门:Hello,Word与程序运行机制

文章目录 前言一、Hello&#xff0c;Word&#xff01;1.新建一个文件夹存放代码2.新建一个.java文件3.编写代码 二、编译与运行1.在控制台编译java文件2.运行class文件 三、java程序运行机制1.高级语言的分类1.1 编译型语言1.2 解释型语言 2.程序运行机制 四、IDEA五、代码规范…

uni-app的showModal提示框,进行删除的二次确认,可自定义确定或取消操作

实现效果&#xff1a; 此处为删除的二次确认示例&#xff0c;点击删除按钮时出现该提示&#xff0c;该提示写在js script中。 实现方式&#xff1a; 通过uni.showModal进行提示&#xff0c;success为确认状态下的操作自定义&#xff0c;此处调用后端接口进行了删除操作&#…

APP软件系统的开发流程

APP软件系统的开发是一个复杂的过程&#xff0c;需要多方面的知识和技能。建议选择专业的开发团队进行开发&#xff0c;以确保APP的质量和成功。APP软件系统的开发流程通常包括以下几个阶段。北京木奇移动技术有限公司&#xff0c;专业的软件外包开发公司&#xff0c;欢迎交流合…

指针(一)

指针基础 在C中&#xff0c;指针是至关重要的组成部分。它是C语言最强大的功能之一&#xff0c;也是最棘手的功能之一。 指针具有强大的能力&#xff0c;其本质是协助程序员完成内存的直接操纵。 指针&#xff1a;特定类型数据在内存中的存储地址&#xff0c;即内存地址。 …

会声会影2024永久激活码序列号注册机分享

大家好呀&#xff0c;今天我想给大家安利一款我最近超级喜欢的软件——会声会影2024&#xff01;&#x1f31f; 作为一个视频编辑爱好者&#xff0c;我尝试过很多视频编辑软件&#xff0c;但总感觉少了那么一点点“火花”。直到我遇到了会声会影2024&#xff0c;它完全改变了我…

如何解决远距离传输大文件慢的问题?

在数字化时代&#xff0c;无论是企业还是个人&#xff0c;经常需要处理跨越长距离的大规模文件传输任务。这种传输的效率和安全性对业务流程的顺畅至关重要。然而&#xff0c;我们经常遇到网络延迟、数据丢失、带宽限制等问题&#xff0c;这些都可能影响文件传输的效率。小编将…

Linux环境下安装MySQL5.7.20(源码安装)

&#x1f4e3;&#x1f4e3;&#x1f4e3; 哈喽&#xff01;大家好&#xff0c;本专栏主要发表mysql实战的文章&#xff0c;文章主要包括&#xff1a; 各版本数据库的安装、备份和恢复,性能优化等内容的学习。。 &#x1f4e3; ***如果需要观看配套视频的小伙伴们&#xff0c;请…

vue+three.js渲染3D模型

安装three.js: npm install three 页面部分代码&#xff1a; <div style"width: 100%; height: 300px; position: relative;"><div style"height: 200px; background-color: white; width: 100%; position: absolute; top: 0;"><div id&…

大学网页制作作品1

作品须知&#xff1a;1.该网页作品预计分为5个页面&#xff08;其中1个登录页面&#xff0c;1个首页主页面&#xff0c;3个分页面&#xff09;&#xff0c;如需要可自行删改增加页面。&#xff08;总共约800行html,1200行css,100行js&#xff09; 2.此网页源代码只用于学习和模…

宣告 adsb.exposed - 基于 ClickHouse 的 ADS-B 航班数据交互式可视化和分析

本文字数&#xff1a;10340&#xff1b;估计阅读时间&#xff1a;26 分钟 审校&#xff1a;庄晓东&#xff08;魏庄&#xff09; 本文在公众号【ClickHouseInc】首发 Meetup活动 ClickHouse 上海首届 Meetup 讲师招募中&#xff0c;欢迎讲师在文末扫码报名&#xff01; 也许你已…

秒空!西圣Mike无线麦克风新晋断货王!引爆抢购潮,618全平台售罄

在数字音频技术飞速发展的今天&#xff0c;一款能够满足专业需求同时兼具高性价比的无线麦克风无疑是市场上的稀缺品。自西圣Mike无线麦克风上市以来&#xff0c;凭借其卓越的机皇性能和百元的亲民价格&#xff0c;迅速在消费者中引起轰动&#xff0c;连月斩获99%高好评&#x…

让我们聊聊网络安全中会涉及到的IP地址(IP协议)、MAC地址、路由、DNS协议(域名系统)、NAT技术(协议)、以太网帧、ARP协议

网络安全中会涉及到的IP地址&#xff08;IP协议&#xff09;、MAC地址、路由、DNS协议&#xff08;域名系统&#xff09;、NAT技术&#xff08;协议&#xff09;、以太网帧、ARP协议 一.IP地址&#xff08;IP协议&#xff09;1.IP地址&#xff08;IP协议&#xff09;的作用2.IP…

使用多用户增强服务器的安全性

Fedora CoreOS 操作系统 (简称 fcos) 的主要设计目标, 是大规模服务器集群 (几十台甚至数百台). 对于窝等穷人这种只有一台主机 (或者两三台) 的情况, 还是需要稍稍改造 (配置) 一下, 才能比较舒服的使用. 比如, 默认 SSH 登录使用 core 用户, 这个用户可以无需密码使用 sudo …

python根据excel的文件创建文件夹

这几天要整理一点文档&#xff0c;需要批量生成一些文件夹&#xff0c;&#xff08;其实也可以进一步自动生成各种文档&#xff09;&#xff0c;用到了py的功能&#xff0c;在此记录一下。 1.准备工作 需要两个库支持openpyxl和os 安装 pip install openpyxl2.代码思路 打算…

初识Java(二)

初识Java的main方法 1.1 main方法示例 public class world {public static void main(String[] args) {System.out.println("hello,world!");}}通过上述代码&#xff0c;我们可以看到一个完整的Java程序的结构&#xff0c;Java程序的结构由如下三个部分组成&#x…

攻击者开始使用 XLL 文件进行攻击

近期&#xff0c;研究人员发现使用恶意 Microsoft Excel 加载项&#xff08;XLL&#xff09;文件发起攻击的行动有所增加&#xff0c;这项技术的 MITRE ATT&CK 技术项编号为 T1137.006。 这些加载项都是为了使用户能够利用高性能函数&#xff0c;为 Excel 工作表提供 API …

VC++开发积累——vc++6.0中删除函数的方法,右键,Delete

目录 引出插曲&#xff1a;删除函数的方法多行注释的实现代码输入的自动提示搜索出来&#xff0c;标记和取消标记跳转到上一步的位置 ctrl TAB 总结其他规范和帮助文档创建第一个Qt程序对象树概念信号signal槽slot自定义信号和槽1.自定义信号2.自定义槽3.建立连接4.进行触发 自…

数据处理技术影响皮质-皮质间诱发电位的量化

摘要 皮质-皮质间诱发电位(CCEPs)是探究颅内人体电生理学中有效连接性的常用工具。与所有人体电生理学数据一样&#xff0c;CCEP数据极易受到噪声的影响。为了解决噪声问题&#xff0c;通常会对CCEP数据进行滤波和重参考&#xff0c;但不同的研究会采用不同的处理策略。本研究…

Linux操作系统进程同步的几种方式及基本原理

1&#xff0c;进程同步的几种方式 1.1信号量 用于进程间传递信号的一个整数值。在信号量上只有三种操作可以进行&#xff1a;初始化&#xff0c;P操作和V操作&#xff0c;这三种操作都是原子操作。 P操作(递减操作)可以用于阻塞一个进程&#xff0c;V操作(增加操作)可以用于…

基于SpringBoot+Vue网上图书商城(带1w+文档)

基于SpringBootVue网上图书商城(带1w文档) 通过网上图书商城的研究可以更好地理解系统开发的意义&#xff0c;而且也有利于发展更多的智能系统&#xff0c;解决了人才的供给和需求的平衡问题&#xff0c;网上图书商城的开发建设&#xff0c;由于其开发周期短&#xff0c;维护方…