論文の概要: AI-Enhanced Pediatric Pneumonia Detection: A CNN-Based Approach Using Data Augmentation and Generative Adversarial Networks (GANs)
- arxiv url: http://arxiv.org/abs/2507.09759v1
- Date: Sun, 13 Jul 2025 19:38:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 18:48:23.964549
- Title: AI-Enhanced Pediatric Pneumonia Detection: A CNN-Based Approach Using Data Augmentation and Generative Adversarial Networks (GANs)
- Title（参考訳）: AIによる小児肺炎検出:データ拡張とGANを用いたCNNによるアプローチ
- Authors: Abdul Manaf, Nimra Mughal,
- Abstract要約: 本研究では,機械学習を用いた小児胸部肺炎分類システムを提案する。
このシステムは広州女子医療センターから0～5歳児の胸部X線画像5,863枚で訓練された。
その結果,小児肺炎分類の診断精度と効率を向上させるための深層学習とGANの有用性が示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pneumonia is a leading cause of mortality in children under five, requiring accurate chest X-ray diagnosis. This study presents a machine learning-based Pediatric Chest Pneumonia Classification System to assist healthcare professionals in diagnosing pneumonia from chest X-ray images. The CNN-based model was trained on 5,863 labeled chest X-ray images from children aged 0-5 years from the Guangzhou Women and Children's Medical Center. To address limited data, we applied augmentation techniques (rotation, zooming, shear, horizontal flipping) and employed GANs to generate synthetic images, addressing class imbalance. The system achieved optimal performance using combined original, augmented, and GAN-generated data, evaluated through accuracy and F1 score metrics. The final model was deployed via a Flask web application, enabling real-time classification with probability estimates. Results demonstrate the potential of deep learning and GANs in improving diagnostic accuracy and efficiency for pediatric pneumonia classification, particularly valuable in resource-limited clinical settings https://github.com/AbdulManaf12/Pediatric-Chest-Pneumonia-Classification
- Abstract（参考訳）: 肺炎は5歳未満の小児の主要な死因であり、正確な胸部X線診断が必要である。
本研究は,医療従事者の胸部X線画像からの肺炎の診断を支援する機械学習を用いた小児肺炎分類システムを提案する。
CNNベースのモデルは、広州女子医療センターから0～5歳児の胸部X線画像5,863枚で訓練された。
限られたデータに対処するために, 拡張技術(回転, ズーム, せん断, 水平反転)を適用し, 合成画像の生成にGANを用いて, クラス不均衡に対処した。
このシステムは、精度とF1スコアの指標を用いて評価され、原データ、拡張データ、GAN生成データを組み合わせた最適な性能を実現した。
最終モデルはFrask Webアプリケーションを通じてデプロイされ、確率推定によるリアルタイムな分類を可能にした。
以上の結果から, 小児肺炎分類の診断精度と効率向上における深層学習とGANの有用性が示唆された。特に資源限定の臨床設定 https://github.com/AbdulManaf12/小児-Chest-Pneumonia-classification において有用である。
関連論文リスト
- XAI-Guided Analysis of Residual Networks for Interpretable Pneumonia Detection in Paediatric Chest X-rays [0.0]
胸部X線で小児肺炎を自動的に診断するためのResidual Networks(ResNets)の解釈可能なディープラーニングモデルを提案する。
我々のResNet-50モデルは、大きな小児の胸部X線データセットに基づいて訓練され、高い分類精度(95.94%)、AUC-ROC(98.91%)、Cohen's Kappa(0.913)を実現し、臨床的に意味のある視覚的説明を伴う。
論文 参考訳（メタデータ） (2025-07-18T21:19:26Z) - An Explainable Contrastive-based Dilated Convolutional Network with Transformer for Pediatric Pneumonia Detection [0.11650821883155184]
胸部X線写真を用いた早期診断は一般的であるが、未処理画像の放射線レベルが低いことやデータ不均衡の問題などが制限されている。
小児肺炎検出のための新規なXCCNet(Explainable Contrastive-based Dilated Convolutional Network)を提案する。
XCCNetは、拡張畳み込みの空間的パワーと、コントラストベースの変換器からのグローバルな洞察を有効機能改善に活用する。
論文 参考訳（メタデータ） (2024-10-21T16:14:50Z) - Pneumonia App: a mobile application for efficient pediatric pneumonia diagnosis using explainable convolutional neural networks (CNN) [3.1828174924979136]
マイコプラズマ肺炎(Mycoplasma pneumoniae pneumoniae pneumoniae)は、小児医療における重要な診断上の課題である。
PneumoniaAPPは,高速MPP検出にディープラーニング技術を活用するモバイルアプリケーションである。
論文 参考訳（メタデータ） (2024-03-31T03:35:43Z) - 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) - Prediction of Pneumonia and COVID-19 Using Deep Neural Networks [0.0]
胸部X線画像から肺炎を予測する機械学習手法を提案する。
DenseNet121は他のモデルより優れており、精度は99.58%である。
論文 参考訳（メタデータ） (2023-08-20T21:26:37Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - 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) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - 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 ensemble-based approach by fine-tuning the deep transfer learning
models to classify pneumonia from chest X-ray images [0.0]
米国では、主に成人の25万人以上が肺炎と診断され、5万人が死亡している。
よく訓練された放射線科医の肺炎検出を見逃すことは珍しくなく、診断の正確性を改善する必要がある。
InceptionResNet、MobileNetV2、Xception、DenseNet201、ResNet152V2といった最先端のディープラーニングモデルを訓練、微調整して、肺炎を正確に分類しました。
論文 参考訳（メタデータ） (2020-11-11T04:50:06Z) - Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。
コンピュータ支援診断システムは診断精度を向上させる可能性を示した。
本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
論文 参考訳（メタデータ） (2020-05-28T10:54:34Z) - 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)
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。