一种医学X光图像的混合空间增强算法

医学X光图像具有噪声大、重叠度高、细节丰富等特点。为了改善图像质量,突出细节提高清晰度的同时有效地抑制噪声,论文提出了一种基于空间域的混合增强算法。该算法首先将图像进行对比度拉伸,然后分别进行梯度运算和拉普拉斯处理,最后将这两种处理的结果相乘,再加上原图像,得到最终的增强图像。实验结果表明,该算法比单一的传统增强算法取得的增强效果更好。

双信道注意力机制神经网络的肺炎图像分类研究

为提高诊断肺炎患者的时效性和精确性,本文提出了三种基于双信道注意力机制的肺部X光图像检测模型。采用了21,158张肺部X光图像,并对原始图像进行图像增强、几何变化等处理。将预处理后的X光图像分别输入三种模型并检测,最后采用识别的准确度、精确度、灵敏性、F1-Score等指标评估了各个模型的性能。实验结果表明,基于双通道注意力机制的DenseNet201模型效果最优,其准确度、精确度、灵敏度、F1-Score分别为95.112%、96.2%、95.4%、95.9%,其中准确度已超过近年来他人4分类肺炎模型,基于双通道注意力机制的DenseNet201模型有利于提高肺炎图像的分类检测效率,可以应用于快速医学筛查。