論文の概要: Hybrid Inception Architecture with Residual Connection: Fine-tuned Inception-ResNet Deep Learning Model for Lung Inflammation Diagnosis from Chest Radiographs

• arxiv url: http://arxiv.org/abs/2310.02591v2
• Date: Thu, 5 Oct 2023 01:03:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 11:03:16.375608
• Title: Hybrid Inception Architecture with Residual Connection: Fine-tuned Inception-ResNet Deep Learning Model for Lung Inflammation Diagnosis from Chest Radiographs
• Title（参考訳）: 胸部x線写真からの肺炎症診断のための微調整型inception-resnet深層学習モデル
• Authors: Mehdi Neshat, Muktar Ahmed, Hossein Askari, Menasha Thilakaratne, Seyedali Mirjalili
• Abstract要約: 肺炎は細菌、ウイルス、真菌によって引き起こされる一般的な呼吸器感染症である。 本稿では,胸部X線写真から肺炎の診断におけるInception-ResNetディープラーニングモデルの性能について比較検討する。
• 参考スコア（独自算出の注目度）: 20.30817652277055
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Diagnosing lung inflammation, particularly pneumonia, is of paramount importance for effectively treating and managing the disease. Pneumonia is a common respiratory infection caused by bacteria, viruses, or fungi and can indiscriminately affect people of all ages. As highlighted by the World Health Organization (WHO), this prevalent disease tragically accounts for a substantial 15% of global mortality in children under five years of age. This article presents a comparative study of the Inception-ResNet deep learning model's performance in diagnosing pneumonia from chest radiographs. The study leverages Mendeleys chest X-ray images dataset, which contains 5856 2D images, including both Viral and Bacterial Pneumonia X-ray images. The Inception-ResNet model is compared with seven other state-of-the-art convolutional neural networks (CNNs), and the experimental results demonstrate the Inception-ResNet model's superiority in extracting essential features and saving computation runtime. Furthermore, we examine the impact of transfer learning with fine-tuning in improving the performance of deep convolutional models. This study provides valuable insights into using deep learning models for pneumonia diagnosis and highlights the potential of the Inception-ResNet model in this field. In classification accuracy, Inception-ResNet-V2 showed superior performance compared to other models, including ResNet152V2, MobileNet-V3 (Large and Small), EfficientNetV2 (Large and Small), InceptionV3, and NASNet-Mobile, with substantial margins. It outperformed them by 2.6%, 6.5%, 7.1%, 13%, 16.1%, 3.9%, and 1.6%, respectively, demonstrating its significant advantage in accurate classification.
• Abstract（参考訳）: 肺炎症、特に肺炎の診断は、疾患を効果的に治療し、管理するために重要である。 肺炎は細菌、ウイルス、真菌によって引き起こされる一般的な呼吸器感染症であり、あらゆる年齢の人々に無差別に影響を及ぼす。 世界保健機関(WHO)が強調したように、この流行病は5歳未満の子どもの世界の死亡率の15%を悲劇的に占めている。 本稿では,胸部x線写真からの肺炎診断におけるinception-resnet deep learning modelの性能の比較検討を行った。 この研究は、ウイルス性肺炎と細菌性肺炎のx線画像を含む5856枚の2d画像を含むmendeleysの胸部x線画像データセットを活用する。 inception-resnetモデルは、他の7つの最先端畳み込みニューラルネットワーク(cnns)と比較され、本質的な特徴抽出と計算ランタイムの節約におけるinception-resnetモデルの優位性が実証された。 さらに,深層畳み込みモデルの性能向上における微調整による伝達学習の影響について検討した。 本研究は,肺炎診断における深層学習モデルの利用に関する貴重な知見を提供し,この分野でのInception-ResNetモデルの可能性を強調した。 分類精度において、Inception-ResNet-V2はResNet152V2、MobileNet-V3 (Large and Small)、EfficientNetV2 (Large and Small)、InceptionV3、NASNet-Mobileといった他のモデルと比較して優れた性能を示した。 それぞれ2.6%、6.5%、7.1%、13%、16.1%、3.9%、および1.6%を上回り、正確な分類において大きな優位性を示した。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Deep Learning for Lung Disease Classification Using Transfer Learning and a Customized CNN Architecture with Attention [17.079190595821494]
  本研究は、健康な肺を描写するX線、肺不透明度を示すX線、ウイルス性肺炎を示すX線を分類することに集中する。 トレーニング済みの5つのモデルをLung X-ray Imageデータセットでテストする予定である。 MobileNetV2をベースとしたMobileNet-Lungは肺疾患分類に取り組み,0.933の精度を実現した。
  論文  参考訳（メタデータ） (2024-08-23T16:00:10Z)
• Less Could Be Better: Parameter-efficient Fine-tuning Advances Medical Vision Foundation Models [71.18275399694689]
  医療視基盤モデルにおけるPEFTの有効性はまだ不明である。 NIH ChestX-ray14のラベル付きデータを用いたAUROCスコアの80.6%など,さまざまなデータ効率の学習タスクに対して,新たな最先端技術を構築した。 本研究は, PEFTを用いた医用画像の伝達学習において, コミュニティの注目を集めることが期待できる。
  論文  参考訳（メタデータ） (2024-01-22T18:59:07Z)
• Pneumonia Detection on chest X-ray images Using Ensemble of Deep Convolutional Neural Networks [7.232767871756102]
  本稿では, 胸部X線画像の診断過程を簡略化するために, EL(Ensemble Learning) と呼ばれるコンピュータ支援型肺炎分類法を提案する。 提案手法は,CNNモデルをスクラッチからトレーニングする代わりに,近年,多くの医療タスクのパフォーマンス向上に採用されているCNNモデルである畳み込みニューラルネットワーク(Convolutional Neural Network, CNN)モデルに基づく。 提案したELアプローチは他の最先端手法よりも優れており、テスト段階では93.91%、F1スコアは93.88%の精度が得られる。
  論文  参考訳（メタデータ） (2023-12-13T08:28:21Z)
• A Comparison Study of Deep CNN Architecture in Detecting of Pneumonia [0.0]
  細菌やウイルスによる呼吸器感染症である肺炎は、多くの人々に影響を及ぼす。 画像に基づいて植物病を分類し、その性能をテストするディープ畳み込みニューラルネットワーク。 DenseNet201は、非常に少ないパラメータと妥当な計算時間で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-12-30T14:37:32Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• COVID-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
  胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。 本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
  論文  参考訳（メタデータ） (2020-05-26T16:33:52Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Detection of Coronavirus (COVID-19) Associated Pneumonia based on Generative Adversarial Networks and a Fine-Tuned Deep Transfer Learning Model using Chest X-ray Dataset [4.664495510551646]
  本稿では, 限られたデータセットに対して, 微調整深層移動学習を施したGANを用いた肺炎胸部X線検出法を提案する。 この研究で使用されるデータセットは、正常と肺炎の2つのカテゴリを持つ5863のX線画像で構成されている。
  論文  参考訳（メタデータ） (2020-04-02T08:14:37Z)
• Automated Methods for Detection and Classification Pneumonia based on X-Ray Images Using Deep Learning [0.0]
  Resnet50, MobileNet_V2, Inception_Resnet_V2の微調整版では, トレーニングや検証精度の向上率(精度の96%以上)で高い良好な性能を示した。 CNN、Xception、VGG16、VGG19、Inception_V3、DenseNet201とは異なり、性能は低い(84%以上の精度)。
  論文  参考訳（メタデータ） (2020-03-31T16:48:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。