通讯作者: 刘新奎, lxkarticle@126.com

DOI：10.12201/bmr.202608.00019

Automated Pneumonia Detection from Chest X-rays Using a ResNet-34 Architecture

• 摘要：〔摘要〕 目的/意义 当前胸部X光影像肺炎诊断存在效率低下和主观性强等问题，本研究旨在提出一种基于ResNet34的深度学习分类方法以提升诊断效率，降低误诊率，为临床决策提供客观可靠的辅助支持。方法/过程 本研究提出混合全局-局部特征增强模块（Hybrid Global-Local Feature Enhancement Module, HGFE），通过双分支结构分别提取局部特征和全局上下文信息。局部分支采用空洞卷积扩大感受野，全局分支引入坐标注意力机制建立长程依赖关系，并通过SE模块实现特征融合。结果/结论 ChestX-ray2017数据集上的实验表明，ResNet34-HGFE模型取得98.16%的准确率、0.9758的F1分数和0.9896的AUC值，显著优于VGG16和ResNet50等模型。本研究提出的ResNet34模型有效提升了肺炎病灶的检测性能，该研究为肺炎的自动化高精度诊断提供了有效解决方案，具有重要的临床实用价值。基于ResNet的自动分类方法将展现出更大的应用潜力。未来研究将进一步优化模型，提升分类速度和准确率，以增强该方法在医学图像分析中的实用价值。

  关键词： ResNet34-HGFE，肺炎，医学图像分类

   

  Abstract: Objective/Significance Aiming at the problems of low efficiency and strong subjectivity in the diagnosis of pneumonia on chest X-ray images, this study proposes a deep learning classification method based on resnet34. It can significantly improve the diagnostic efficiency, reduce the misdiagnosis rate, and provide objective and reliable auxiliary support for clinical decision-making. Method/Process In this study, a hybrid global local feature enhancement module (HGFE) was proposed to extract local features and global context information through a double branch structure. The local branch used hole convolution to expand the receptive field, the global branch introduced coordinate attention mechanism to establish long-range dependence, and realized feature fusion through se module. Results/Conclusions Experiments on the chestx-ray2017 dataset showed that resnet34 HGFE model achieves 98.16% accuracy, 0.9758 F1 score and 0.9896 AUC value, which was significantly better than vgg16 and resnet50 models. The resnet34 model proposed in this study effectively improved the detection performance of pneumonia lesions. This study provided an effective solution for the automatic and high-precision diagnosis of pneumonia, and had important clinical practical value. The automatic classification method based on RESNET will show greater application potential. Future research will further optimize the model, improve the classification speed and accuracy, and enhance the practical value of this method in medical image analysis.

  Key words: ResNet34-HGFE, Pneumonia, Medical image classification

  提交时间：2026-08-07

  版权声明：作者本人独立拥有该论文的版权，预印本系统仅拥有论文的永久保存权利。任何人未经允许不得重复使用。
• html

• 图表

• 赵姗姗, 史浩霖, 王颖帅, 万艳丽. 一种改进的SwinTransformer阿尔兹海默病MR图像分类研究. 2025. doi: 10.12201/bmr.202505.00029

  宫小翠, 安新颖. 面向医学科技文献分类的语义特征增强研究*. 2024. doi: 10.12201/bmr.202411.00088

  张胜发, 罗葳, 马玉环, 张晓宇, 赵远志, 周伟. 面向开放应用的生物医学大数据分类研究. 2024. doi: 10.12201/bmr.202411.00082

  赵从朴, 袁达, 朱溥珏, 周炯, 陈政, 彭华. 基于BERT的医疗安全事件智能分类研究与实践. 2023. doi: 10.12201/bmr.202312.00021

  申艳妮, 惠婷. 基于大语言模型的医疗机构图像智能化归档系统设计. 2026. doi: 10.12201/bmr.202602.00047

  王美林, 杨鹏丽, 庞高峰, 郭峥. 基于Citespace的中医药治疗肺炎支原体肺炎可视化分析. 2026. doi: 10.12201/bmr.202604.00142

  张有健, 周冠群, 周昊天, 王中亚, 张志诚. 生成式模型在医疗影像分析中的应用综述. 2025. doi: 10.12201/bmr.202511.00066

  刘夏彤, 孙旭, 王繁博. 超微血管成像技术评估斑块内新生血管及其与 CD147、CD34 表达的研究进展. 2025. doi: 10.12201/bmr.202509.00022

  时小淋, 汤冬静, 吴美慧. 儿童肺炎支原体支气管肺炎和大叶性肺炎的相关危险因素分析. 2025. doi: 10.12201/bmr.202507.00035

  包榕, 张恒瑞. 多重耐药菌感染肺炎的预后与细胞免疫相关研究及危险因素分析. 2026. doi: 10.12201/bmr.202606.00062

• 序号	提交日期	编号	操作
  1	2026-02-27	10.12201/bmr.202608.00019V1	下载

• 公开评论  匿名评论  仅发给作者 提交评论