論文の概要: LightPneumoNet: Lightweight Pneumonia Classifier

• arxiv url: http://arxiv.org/abs/2510.11232v1
• Date: Mon, 13 Oct 2025 10:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.31376
• Title: LightPneumoNet: Lightweight Pneumonia Classifier
• Title（参考訳）: LightPneumoNet:軽量肺炎分類器
• Authors: Neilansh Chauhan, Piyush Kumar Gupta, Faraz Doja,
• Abstract要約: この研究では、スクラッチから構築された効率的で軽量な畳み込みニューラルネットワーク(CNN)であるLightPneumoNetを紹介した。 胸部X線画像5,856枚を用いて実験を行った。 独立テストセットでは,本モデルが優れた性能を示し,総合精度0.942,精度0.92,F1スコア0.96を実現した。
• 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: Effective pneumonia diagnosis is often challenged by the difficulty of deploying large, computationally expensive deep learning models in resource-limited settings. This study introduces LightPneumoNet, an efficient, lightweight convolutional neural network (CNN) built from scratch to provide an accessible and accurate diagnostic solution for pneumonia detection from chest X-rays. Our model was trained on a public dataset of 5,856 chest X-ray images. Preprocessing included image resizing to 224x224, grayscale conversion, and pixel normalization, with data augmentation (rotation, zoom, shear) to prevent overfitting. The custom architecture features four blocks of stacked convolutional layers and contains only 388,082 trainable parameters, resulting in a minimal 1.48 MB memory footprint. On the independent test set, our model delivered exceptional performance, achieving an overall accuracy of 0.942, precision of 0.92, and an F1-Score of 0.96. Critically, it obtained a sensitivity (recall) of 0.99, demonstrating a near-perfect ability to identify true pneumonia cases and minimize clinically significant false negatives. Notably, LightPneumoNet achieves this high recall on the same dataset where existing approaches typically require significantly heavier architectures or fail to reach comparable sensitivity levels. The model's efficiency enables deployment on low-cost hardware, making advanced computer-aided diagnosis accessible in underserved clinics and serving as a reliable second-opinion tool to improve patient outcomes.
• Abstract（参考訳）: 効果的な肺炎診断は、リソース制限された設定で大規模で計算コストのかかるディープラーニングモデルをデプロイすることの難しさによってしばしば挑戦される。 この研究では、胸部X線から肺炎を検出するためのアクセス可能で正確な診断ソリューションを提供するために、スクラッチから構築された効率的で軽量な畳み込みニューラルネットワーク(CNN)であるLightPneumoNetを紹介した。 胸部X線画像5,856枚を用いて実験を行った。 前処理には、224x224へのイメージリサイズ、グレースケール変換、ピクセル正規化が含まれ、オーバーフィッティングを防ぐためのデータ拡張(ローテーション、ズーム、せん断)があった。 カスタムアーキテクチャでは、スタック化された畳み込み層が4ブロックあり、トレーニング可能なパラメータは388,082だけであり、メモリフットプリントは最小1.48MBである。 独立テストセットでは,F1スコアが0.942,精度が0.92,スコアが0.96であった。 致死率0.99の感度(リコール)を取得し、真の肺炎症例を同定し、臨床的に有意な偽陰性を最小化するほぼ完全な能力を証明した。 特に、LightPneumoNetは、既存のアプローチが非常に重いアーキテクチャを必要とする場合や、同等の感度レベルに到達できない場合、同じデータセットでこの高いリコールを達成する。 このモデルの効率性は、低コストなハードウェアへの展開を可能にし、コンピュータ支援による高度な診断を未治療の診療所で利用できるようにし、患者の結果を改善するための信頼性の高い第2の検査ツールとして機能する。

関連論文リスト

• Diagnosis of Patients with Viral, Bacterial, and Non-Pneumonia Based on Chest X-Ray Images Using Convolutional Neural Networks [43.175400789778635]
  肺炎を伴わない患者とウイルス性又は細菌性肺炎の患者に分類するための意思決定支援システムを提案する。 これは、胸部X線(CXR)画像上で、事前訓練された畳み込みニューラルネットワーク(CNN)モデルを用いて転送学習(TL)を実装することで実現される。 肺炎のない患者と、ウイルス性または細菌性肺炎の患者を区別できるモデルを構築するために、一連の実験のパフォーマンスを評価した。
  論文  参考訳（メタデータ） (2025-03-03T16:17:37Z)
• 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)
• Efficient and Accurate Pneumonia Detection Using a Novel Multi-Scale Transformer Approach [0.7183613290627339]
  肺炎検出のための新しいマルチスケールトランスフォーマー手法を提案する。 本手法は肺の分節と分類を統一的な枠組みに統合する。 我々の手法は、"Kermany"データセットで93.75%の精度、"Cohen"データセットで96.04%の精度を実現している。
  論文  参考訳（メタデータ） (2024-08-08T08:06:42Z)
• Multi-Slice Net: A novel light weight framework for COVID-19 Diagnosis [38.32234937094937]
  本稿では,CTスキャンを用いた軽量な新型コロナウイルス診断フレームワークを提案する。 特徴抽出器として強力なバックボーンネットワークを用い,識別的スライスレベルの特徴を抽出する。 これらの特徴は、患者レベル診断を得るために、軽量ネットワークによって集約される。
  論文  参考訳（メタデータ） (2021-08-09T02:46:11Z)
• 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)
• FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
  正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。 FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。 FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2020-10-30T03:17:31Z)
• 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)
• Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware Anomaly Detection [86.81773672627406]
  短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。 胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。 ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
  論文  参考訳（メタデータ） (2020-03-27T11:32:18Z)

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。