論文の概要: Chest Disease Detection In X-Ray Images Using Deep Learning Classification Method

• arxiv url: http://arxiv.org/abs/2505.22609v1
• Date: Wed, 28 May 2025 17:24:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.763173
• Title: Chest Disease Detection In X-Ray Images Using Deep Learning Classification Method
• Title（参考訳）: 深層学習分類法によるX線画像の胸部疾患検出
• Authors: Alanna Hazlett, Naomi Ohashi, Timothy Rodriguez, Sodiq Adewole,
• Abstract要約: 胸部X線画像の分類のために,複数の分類モデルにまたがる性能について検討した。 ラベル付き医療用X線画像に基づいて,これらの事前学習アーキテクチャを微調整した。 最初の結果は、重要な分類基準で高い精度と高いパフォーマンスを約束する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we investigate the performance across multiple classification models to classify chest X-ray images into four categories of COVID-19, pneumonia, tuberculosis (TB), and normal cases. We leveraged transfer learning techniques with state-of-the-art pre-trained Convolutional Neural Networks (CNNs) models. We fine-tuned these pre-trained architectures on a labeled medical x-ray images. The initial results are promising with high accuracy and strong performance in key classification metrics such as precision, recall, and F1 score. We applied Gradient-weighted Class Activation Mapping (Grad-CAM) for model interpretability to provide visual explanations for classification decisions, improving trust and transparency in clinical applications.
• Abstract（参考訳）: 本研究は, 胸部X線像を, 新型コロナウイルス, 肺炎, 結核 (TB) , 正常例の4つのカテゴリに分類するための複数の分類モデルにおける性能について検討した。 我々は、最先端の訓練済み畳み込みニューラルネットワーク(CNN)モデルを用いたトランスファー学習手法を利用した。 ラベル付き医療用X線画像に基づいて,これらの事前学習アーキテクチャを微調整した。 最初の結果は、精度、リコール、F1スコアといった重要な分類指標において、高い精度と強力なパフォーマンスを約束する。 分類決定の視覚的説明を提供し,臨床応用における信頼と透明性を向上させるために,グラッド-CAM(Grad-CAM)をモデル解釈性に適用した。

関連論文リスト

• Forward-Forward Contrastive Learning [4.465144120325802]
  医用画像分類のための新しい事前学習手法として,前向きコントラスト学習(FFCL)を提案する。 FFCLは、肺炎分類タスクにおける既存の事前訓練モデルよりも、ImageNet Pretrained ResNet-18よりも3.69%の精度で性能が向上している。
  論文  参考訳（メタデータ） (2023-05-04T15:29:06Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Explainable and Lightweight Model for COVID-19 Detection Using Chest Radiology Images [0.0]
  畳み込みニューラルネットワーク(CNN)は、大量のデータをトレーニングする際の画像解析タスクに適している。 新型コロナウイルス(COVID-19)の検出のために提案されたツールのほとんどは、高い感度とリコールを持っているが、目に見えないデータセットでのテストでは、一般化と実行に失敗している。 本研究は,提案モデルの成功と失敗について,画像レベルで詳細に考察する。
  論文  参考訳（メタデータ） (2022-12-28T11:48:29Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• COVID-19 Severity Classification on Chest X-ray Images [0.0]
  本研究は,感染の重症度に基づいて画像の分類を行う。 ResNet-50モデルは精度95%、リコール(0.94)、F1スコア(0.92)、精度(0.91)で顕著な分類結果を得た。
  論文  参考訳（メタデータ） (2022-05-25T12:01:03Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)

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。