Deep Learning for Chest Radiographs wymienia różne strategie zastosowane przez autorów w celu zaprojektowania wydajnego systemu klasyfikacji wspomaganej komputerowo (CAC) opartego na splotowej sieci neuronowej do binarnej klasyfikacji radiogramów klatki piersiowej na „Normalny” i „Zapalenie płuc”. Zapalenie płuc jest chorobą zakaźną wywoływaną głównie przez bakterie lub wirusy. Głównymi celami tej choroby zakaźnej są dzieci w wieku poniżej 5 lat i dorośli powyżej 65 roku życia, głównie ze względu na ich słabą odporność i niższe wskaźniki wyzdrowienia. Na całym świecie zapalenie płuc ma dominujące ślady i zabija więcej dzieci niż jakakolwiek inna choroba oparta na odporności, powodując do 15% zgonów dzieci rocznie, zwłaszcza w krajach rozwijających się. Spośród wszystkich dostępnych metod obrazowania, takich jak tomografia komputerowa, radiografia lub zdjęcie rentgenowskie, obrazowanie metodą rezonansu magnetycznego, ultrasonografia itp., zdjęcia rentgenowskie klatki piersiowej są najczęściej stosowane w diagnostyce różnicowej między stanem prawidłowym a zapaleniem płuc. W projektach systemów CAC zaimplementowanych w tej książce wykorzystano łącznie 200 zdjęć rentgenowskich klatki piersiowej, składających się ze 100 obrazów prawidłowych i 100 obrazów zapalenia płuc. Te radiogramy klatki piersiowej są powiększane za pomocą transformacji geometrycznych, takich jak obrót, translacja i odwracanie, w celu zwiększenia rozmiaru zestawu danych w celu wydajnego szkolenia konwolucyjnych sieci neuronowych (CNN). W sumie przeprowadzono 12 eksperymentów w celu binarnej klasyfikacji radiogramów klatki piersiowej na normalne i zapalenie płuc. Obejmuje również dogłębne strategie wdrażania wyczerpujących eksperymentów przeprowadzonych przy użyciu podejść opartych na uczeniu się transferu z fuzją decyzji, głęboką ekstrakcją cech, selekcją cech, redukcją wymiarowości cech i klasyfikatorami opartymi na uczeniu maszynowym w celu wdrożenia kompleksowych CNN- projekty systemów CAC oparte na CNN, lekkie projekty systemów CAC oparte na CNN oraz hybrydowe projekty systemów CAC do radiogramów klatki piersiowej.

Ta książka jest cennym źródłem informacji dla naukowców, badaczy, klinicystów, studentów studiów podyplomowych i doktorantów w dziedzinie obrazowania medycznego, CAC, diagnostyki wspomaganej komputerowo, informatyki i inżynierii, inżynierii elektrycznej i elektronicznej, inżynierii biomedycznej, bioinformatyki, bioinżynierii oraz profesjonalistów z branży IT przemysł.