Segmentation des images par dbscan pour la détection des anomalies et classification multiclasse de la pneumonie à l’aide de CNN

Abstract

Il reste difficile de diagnostiquer la pneumonie à partir des radiographies thoraciques en raison du contraste limité des anomalies pulmonaires, du bruit inhérent à la capture et de l'entrelacement des structures anatomiques. Cette étude suggère une méthode hybride qui allie une segmentation non supervisée par densité (DBSCAN) à une classification multiclasse fondée sur un réseau de neurones convolutifs (CNN). Le but est de repérer les zones potentiellement pathologiques et d'atténuer l'impact des structures non pertinentes avant la phase d'apprentissage supervisé. La segmentation s'effectue dans un espace caractérisé par l'intensité, la texture et l'information spatiale, suivie de l'extraction automatique des zones d'intérêt. Un modèle CNN, optimisé par la régularisation et la validation croisée, est ensuite alimenté par ces régions. Les résultats de l'expérience indiquent une hausse notable des performances en comparaison avec le modèle de référence sans segmentation, en particulier pour ce qui est de la précision, du rappel et du F1-score. On observe également une diminution des erreurs de classification entre les classes. Les études statistiques corroborent la solidité du bénéfice constaté. Cette recherche illustre que l'inclusion d'un processus de segmentation non supervisée peut améliorer la performance discriminative des modèles profonds en imagerie thoracique, tout en présentant des opportunités pour les systèmes d'assistance au diagnostic dans des environnements aux ressources restreintes.

Low lesion contrast, imaging noise, and the superimposition of anatomical structures make it difficult to diagnose pneumonia from chest radiographs. This paper suggests a hybrid architecture that combines a multiclasse Convolutional Neural Network (CNN) classifier with density-based unsupervised segmentation (DBSCAN). Prior to supervised learning, the main goal is to eliminate unnecessary structural interference and isolate possibly problematic areas. Regions of Interest (ROIs) are automatically extracted after segmentation in a feature space that integrates intensity, texture, and spatial information. A regularized CNN architecture that has been tuned by cross-validation is then trained using these improved inputs. The experimental results show a decrease in inter-class misclassification and a statistically significant improvement over a baseline model without segmentation, especially in terms of precision, recall, and F1-score. The reliability of the observed performance improvements is confirmed by statistical validation. According to the results, chest radiography analysis's discriminative capacity is improved by including density-based segmentation into deep learning pipelines. This method presents encouraging prospects for computer-aided diagnosis systems, particularly in healthcare settings with limited resources.