Apprendimento profondo per le radiografie del torace: Classificazione assistita dal computer

Titolo originale:

Deep Learning for Chest Radiographs: Computer-Aided Classification

Contenuto del libro:

Deep Learning for Chest Radiographs (Apprendimento profondo per le radiografie del torace) elenca diverse strategie implementate dagli autori per progettare un efficiente sistema di classificazione assistita da computer (CAC) basato su reti neurali a convoluzione per la classificazione binaria delle radiografie del torace in "normale" e "polmonite". La polmonite è una malattia infettiva causata per lo più da batteri o virus. I primi bersagli di questa malattia infettiva sono i bambini di età inferiore ai 5 anni e gli adulti di età superiore ai 65 anni, soprattutto a causa della loro scarsa immunità e dei tassi di guarigione più bassi. A livello globale, la polmonite ha un'impronta prevalente e uccide più bambini rispetto a qualsiasi altra malattia basata sull'immunità, causando fino al 15% dei decessi infantili all'anno, soprattutto nei Paesi in via di sviluppo. Tra tutte le modalità di imaging disponibili, come la tomografia computerizzata, la radiografia o i raggi X, la risonanza magnetica, gli ultrasuoni e così via, le radiografie del torace sono le più utilizzate per la diagnosi differenziale tra normalità e polmonite. Nel progetto del sistema CAC implementato in questo libro, è stato utilizzato un totale di 200 immagini radiografiche del torace, di cui 100 normali e 100 di polmonite. Queste radiografie del torace sono aumentate utilizzando trasformazioni geometriche, come rotazione, traslazione e capovolgimento, per aumentare la dimensione del set di dati per un addestramento efficiente delle reti neurali convoluzionali (CNN).

Sono stati condotti 12 esperimenti per la classificazione binaria delle radiografie del torace in Normale e Polmonite. Include inoltre strategie di implementazione approfondite di una sperimentazione esaustiva condotta utilizzando approcci basati sul transfer learning con fusione di decisioni, estrazione di caratteristiche profonde, selezione di caratteristiche, riduzione della dimensionalità delle caratteristiche e classificatori basati sul machine learning per l'implementazione di progetti di sistemi CAC end-to-end basati su CNN, progetti di sistemi CAC leggeri basati su CNN e progetti di sistemi CAC ibridi per radiografie del torace.

Questo libro è una risorsa preziosa per accademici, ricercatori, clinici, studenti post-laurea e laureati in imaging medico, CAC, diagnosi assistita da computer, scienza e ingegneria informatica, ingegneria elettrica ed elettronica, ingegneria biomedica, bioinformatica, bioingegneria e professionisti del settore informatico.