論文の概要: Lightweight Weighted Average Ensemble Model for Pneumonia Detection in Chest X-Ray Images

• arxiv url: http://arxiv.org/abs/2501.16249v1
• Date: Mon, 27 Jan 2025 17:51:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:58:02.082430
• Title: Lightweight Weighted Average Ensemble Model for Pneumonia Detection in Chest X-Ray Images
• Title（参考訳）: 胸部X線画像における肺炎検出のための軽量重量平均アンサンブルモデル
• Authors: Suresh Babu Nettur, Shanthi Karpurapu, Unnati Nettur, Likhit Sagar Gajja, Sravanthy Myneni, Akhil Dusi, Lalithya Posham,
• Abstract要約: 肺炎は小児の病気や死亡の主な原因であり、早期かつ正確な検出の必要性を暗示している。 胸部X線画像を用いた小児の肺炎検出のための軽量アンサンブルモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Pneumonia is a leading cause of illness and death in children, underscoring the need for early and accurate detection. In this study, we propose a novel lightweight ensemble model for detecting pneumonia in children using chest X-ray images. This ensemble model integrates two pre-trained convolutional neural networks (CNNs), MobileNetV2 and NASNetMobile, selected for their balance of computational efficiency and accuracy. These models were fine-tuned on a pediatric chest X-ray dataset and combined to enhance classification performance. Our proposed ensemble model achieved a classification accuracy of 98.63%, significantly outperforming individual models such as MobileNetV2 (97.10%) and NASNetMobile(96.25%) in terms of accuracy, precision, recall, and F1 score. Moreover, the ensemble model outperformed state-of-the-art architectures, including ResNet50, InceptionV3, and DenseNet201, while maintaining computational efficiency. The proposed lightweight ensemble model presents a highly effective and resource-efficient solution for pneumonia detection, making it particularly suitable for deployment in resource-constrained settings.
• Abstract（参考訳）: 肺炎は小児の病気や死亡の主な原因であり、早期かつ正確な検出の必要性を暗示している。 本研究では,胸部X線画像を用いた小児の肺炎検出のための軽量アンサンブルモデルを提案する。 このアンサンブルモデルは、計算効率と精度のバランスのために選択された2つの事前訓練された畳み込みニューラルネットワーク(CNN)、MobileNetV2とNASNetMobileを統合する。 これらのモデルは、小児の胸部X線データセットに微調整され、分類性能を高めるために組み合わせられた。 提案したアンサンブルモデルでは98.63%の分類精度を達成し,精度,精度,リコール,F1スコアにおいて,MobileNetV2 (97.10%) やNASNetMobile (96.25%) などの個別モデルよりも有意に優れていた。 さらに、アンサンブルモデルは、計算効率を維持しながら、ResNet50、InceptionV3、DenseNet201といった最先端アーキテクチャよりも優れていた。 提案する軽量アンサンブルモデルでは,高効率かつ資源効率な肺炎検出ソリューションが提案され,特に資源制約された環境への展開に適している。

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)
• Comparative Performance Analysis of Transformer-Based Pre-Trained Models for Detecting Keratoconus Disease [0.0]
  本研究は、変性眼疾患である角膜症(keratoconus)の診断のために、訓練済みの8つのCNNを比較した。 MobileNetV2は角膜と正常な症例を誤分類の少ない場合に最も正確なモデルであった。
  論文  参考訳（メタデータ） (2024-08-16T20:15:24Z)
• A novel method to enhance pneumonia detection via a model-level ensembling of CNN and vision transformer [0.7499722271664147]
  肺炎は世界中で致死率と死亡率の主要な原因である。 深層学習は胸部X線(CXR)画像から肺炎を検出する大きな可能性を示している。 我々は,モデルレベルのアンサンブルにより,畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマーネットワークを融合させる新しいモデルを開発した。
  論文  参考訳（メタデータ） (2024-01-04T16:58:31Z)
• 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)
• Hybrid Inception Architecture with Residual Connection: Fine-tuned Inception-ResNet Deep Learning Model for Lung Inflammation Diagnosis from Chest Radiographs [20.30817652277055]
  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。
  論文  参考訳（メタデータ） (2023-10-04T05:20:18Z)
• Self-Supervised Pretraining Improves Performance and Inference Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
  肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。 3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
  論文  参考訳（メタデータ） (2023-09-05T21:36:42Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)
• 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)

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。