論文の概要: Diagnostic Uncertainty in Pneumonia Detection using CNN MobileNetV2 and CNN from Scratch

• arxiv url: http://arxiv.org/abs/2505.02396v1
• Date: Mon, 05 May 2025 06:40:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.57783
• Title: Diagnostic Uncertainty in Pneumonia Detection using CNN MobileNetV2 and CNN from Scratch
• Title（参考訳）: CNN MobileNetV2とCNNを用いたスクラッチからの肺炎の診断の不確かさ
• Authors: Kennard Norbert Sudiardjo, Islam Nur Alam, Wilson Wijaya, Lili Ayu Wulandhari,
• Abstract要約: 本研究では,教師付き学習手法であるCNNを提案する。 MobileNetV2をResNet101V2アーキテクチャの事前トレーニングとして使用し、スクラッチモデルから構築されたKeras APIを使用して、特に肺炎の肺疾患を識別する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pneumonia Diagnosis, though it is crucial for an effective treatment, it can be hampered by uncertainty. This uncertainty starts to arise due to some factors like atypical presentations, limitations of diagnostic tools such as chest X-rays, and the presence of co-existing respiratory conditions. This research proposes one of the supervised learning methods, CNN. Using MobileNetV2 as the pre-trained one with ResNet101V2 architecture and using Keras API as the built from scratch model, for identifying lung diseases especially pneumonia. The datasets used in this research were obtained from the website through Kaggle. The result shows that by implementing CNN MobileNetV2 and CNN from scratch the result is promising. While validating data, MobileNetV2 performs with stability and minimal overfitting, while the training accuracy increased to 84.87% later it slightly decreased to 78.95%, with increasing validation loss from 0.499 to 0.6345. Nonetheless, MobileNetV2 is more stable. Although it takes more time to train each epoch. Meanwhile, after the 10th epoch, the Scratch model displayed more instability and overfitting despite having higher validation accuracy, training accuracy decreased significantly to 78.12% and the validation loss increased from 0.5698 to 1.1809. With these results, ResNet101V2 offers stability, and the Scratch model offers high accuracy.
• Abstract（参考訳）: 肺炎の診断は、効果的な治療には不可欠であるが、不確実性によって妨げられることがある。 この不確実性は、非定型的な提示、胸部X線などの診断ツールの限界、既存の呼吸状態の存在などによって生じる。 本研究では,教師付き学習手法であるCNNを提案する。 MobileNetV2をResNet101V2アーキテクチャの事前トレーニングとして使用し、スクラッチモデルから構築されたKeras APIを使用して、特に肺炎の肺疾患を識別する。 この研究で使用されたデータセットは、Kaggleを通じてWebサイトから取得された。 その結果、CNN MobileNetV2とCNNをゼロから実装することで、成果が期待できることがわかった。 データを検証している間、MobileNetV2は安定性と最小限のオーバーフィッティングを行い、トレーニング精度は84.87%に向上し、わずかに78.95%に低下し、検証損失は0.499から0.6345に増加した。 それでもMobileNetV2はより安定している。 ただし、各エポックを訓練するのには時間がかかる。 一方、10世紀以降、Scratchモデルは高い検証精度にもかかわらず安定性と過度な適合性を示し、トレーニング精度は78.12%に大幅に低下し、バリデーション損失は0.5698から1.1809に増加した。 これらの結果により、ResNet101V2は安定性を提供し、Scratchモデルは高い精度を提供する。

関連論文リスト

• Lightweight Weighted Average Ensemble Model for Pneumonia Detection in Chest X-Ray Images [0.0]
  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。
  論文  参考訳（メタデータ） (2025-01-27T17:51:29Z)
• MOZART: Ensembling Approach for COVID-19 Detection using Chest X-Ray Imagery [0.0]
  新型コロナウイルス(COVID-19)が世界的なパンデミックを引き起こし、医療システムに悪影響を及ぼした。 従来の畳み込みニューラルネットワーク(CNN)は印象的な精度を実現している。 ウイルス検出を強化するアンサンブル学習手法であるMOZARTフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-10-11T21:02:58Z)
• 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)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• 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)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Hybrid Deep Learning for Detecting Lung Diseases from X-ray Images [0.0]
  本稿では,VGG,データ拡張,空間ネットワーク(STN)とCNNを組み合わせたハイブリッドディープラーニングフレームワークを提案する。 VDSNetは、精度、リコール、F0.5スコア、バリデーションの正確さなど、既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-02T06:07:30Z)

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。