结核分枝杆菌,也称为结核杆菌,是导致全球180万人死于肺结核的因素。它除了会感染肺部,也会影响身体的其他部位。肺结核是十大致命疾病之一。如果一开始没有被诊断出来,可能会危及生命。胸部X线成像是诊断肺结核最常用和最有效的方法。肺结核是一种比其他肺部疾病更为复杂的疾病,其胸片表现为实变、积液、纤维化、浸润、肿块、结节、胸膜增厚等特点。这些病理差异使医生发现肺结核变得更加困难,从而影响他们判断的准确性。即使是医生,如果没有专业培训和长期经验,可能很难区分肺部异常和具有相似纹理的软组织。此外,由于边远地区缺乏足够的资金和医疗基础设施,导致胸片质量低下以及接受专业培训的放射科医师数量有限,从而影响了肺结核的发现时机和诊断质量评价。而且审核胸部X光片本身是一件工作量很大的事情,非常耗时费力。通过自动检测胸部X光片来识别肺结核可以帮助放射科医生减少工作量并提高诊断水平。在过去十年里,自动化医学图像分析发生了巨大变化,这主要归功于神经网络在分类、分割和量化任务中的成功。卷积神经网络在许多此类任务中实现了超人的性能。临床应用中使用卷积神经网络分析胸部X射线图像存在高空间分辨率、缺乏可靠大型数据集以及疾病种类繁多等重大挑战。这些挑战正是本文做出贡献的驱动力。本研究使用包含7000张胸部X射线图像（3500幅结核感染和3500幅正常）公共数据集,使用图像预处理和深度学习方法从胸部X射线图像中识别结核病。为了从胸部X光图像中提取深层特征,我们比较了三个预训练网络（ResNet101、VGG19和DenseNet201）和 eXtreme Gradient Boosting（XGBoost）模型对结核病和正常病例进行分类。对所提出的模型进行了序列化管理,它首先评估输入图像的分辨率,发现最佳分辨率是224 x 224。其次,比较各种图像预处理技术,以找到最佳分辨率下的最佳预处理技术。第三步是评估识别用于深度预训练卷积神经网络的深度特征提取的最佳层的技术。在最后一个卷积块之后提取深度特征。第四步是寻找最佳的分类方法,对胸部X线图像进行高灵敏度和特异性的分类。XGBoost分类器被用于分类,以克服高误报率和误报率的问题。论文使用贝叶斯优化技术和HYPEROPT技术调整模型超参数,然后评估超参数调整的组合方法。在肺结核胸部X射线图像分类上,使用DenseNet201-XGBoost模型获得了比ResNet101-XGBoost和VGG19-XGBoost方法更高的性能（准确度 99.92±0.14%,灵敏度 100±0.10%,特异性 99.85±0.20%,精度 99.85±0.20%,F1分数99.92±0.14%和曲线下面积99.93 ± 0.13%）。这一新技术为发展中国家的医疗机构和放射科医师解决结核病的早期发现问题提供了希望。