Fugu-MT 論文翻訳(概要): Deep Learning Approach for the Diagnosis of Pediatric Pneumonia Using Chest X-ray Imaging

論文の概要: Deep Learning Approach for the Diagnosis of Pediatric Pneumonia Using Chest X-ray Imaging

arxiv url: http://arxiv.org/abs/2601.00041v1
Date: Wed, 31 Dec 2025 00:07:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-05 15:04:33.22972
Title: Deep Learning Approach for the Diagnosis of Pediatric Pneumonia Using Chest X-ray Imaging
Title（参考訳）: 胸部X線画像を用いた小児肺炎診断のための深層学習アプローチ
Authors: Fatemeh Hosseinabadi, Mohammad Mojtaba Rohani,
Abstract要約: 本研究では、ResNetRS、RegNet、EfficientNetV2といった最先端の畳み込みニューラルネットワーク(CNN)アーキテクチャの性能について検討する。 5,856個の小児画像からなる公開データセットから,1000個の胸部X線画像のキュレートされたサブセットを抽出した。 RegNetは92.4、感度が90.1、ResNetRS(精度:91.9、感度:89.3)とEfficientNetV2(精度:88.5、感度:88.1)が続いた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Pediatric pneumonia remains a leading cause of morbidity and mortality in children worldwide. Timely and accurate diagnosis is critical but often challenged by limited radiological expertise and the physiological and procedural complexity of pediatric imaging. This study investigates the performance of state-of-the-art convolutional neural network (CNN) architectures ResNetRS, RegNet, and EfficientNetV2 using transfer learning for the automated classification of pediatric chest Xray images as either pneumonia or normal.A curated subset of 1,000 chest X-ray images was extracted from a publicly available dataset originally comprising 5,856 pediatric images. All images were preprocessed and labeled for binary classification. Each model was fine-tuned using pretrained ImageNet weights and evaluated based on accuracy and sensitivity. RegNet achieved the highest classification performance with an accuracy of 92.4 and a sensitivity of 90.1, followed by ResNetRS (accuracy: 91.9, sensitivity: 89.3) and EfficientNetV2 (accuracy: 88.5, sensitivity: 88.1).
Abstract（参考訳）: 小児肺炎は、世界中の小児の致死率と死亡率の主要な原因である。タイムリーで正確な診断は重要であるが、放射線学の専門知識が限られており、小児画像の生理学的、手続き的複雑さに悩まされることが多い。本研究では,小児胸部X線画像の自動分類のための転写学習を用いて,最先端の畳み込みニューラルネットワーク(CNN)アーキテクチャ(ResNetRS,RegNet,EfficientNetV2)の性能を検討した。すべての画像は前処理され、バイナリ分類のためにラベル付けされた。各モデルは、事前訓練されたImageNet重みを用いて微調整され、精度と感度に基づいて評価された。 RegNetは92.4、感度が90.1、ResNetRS(精度:91.9、感度:89.3)とEfficientNetV2(精度:88.5、感度:88.1)が続いた。

関連論文リスト

Explainable Deep Learning in Medical Imaging: Brain Tumor and Pneumonia Detection [0.0]
胸部X線画像におけるMRI画像と肺炎の脳腫瘍検出のための,説明可能なディープラーニングフレームワークを提案する。 DenseNet121は一貫してResNet50を94.3%、脳腫瘍では92.5パーセント、肺炎では89.1%、肺炎では84.4%で上回った。
論文参考訳（メタデータ） (2025-10-21T22:44:40Z)
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)
Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文参考訳（メタデータ） (2022-06-14T10:16:54Z)
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)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
Sensitivity and Specificity Evaluation of Deep Learning Models for Detection of Pneumoperitoneum on Chest Radiographs [0.8437813529429724]
最先端のディープラーニングモデル(ResNet101、InceptionV3、DenseNet161、ResNeXt101)は、このデータセットのサブセットでトレーニングされた。 DenseNet161モデルは、異なるイメージングシステムから無線画像の正確な分類を可能にした。
論文参考訳（メタデータ） (2020-10-17T21:41:53Z)
Reliable Tuberculosis Detection using Chest X-ray with Deep Learning, Segmentation and Visualization [0.0]
結核は細菌感染による慢性肺疾患であり、死因のトップ10の1つである。胸部X線画像から, 画像前処理, データ拡張, 画像分割, ディープラーニング分類技術を用いて, TBを確実に検出した。
論文参考訳（メタデータ） (2020-07-29T15:11:34Z)
Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文参考訳（メタデータ） (2020-05-08T02:16:17Z)
Automated Methods for Detection and Classification Pneumonia based on X-Ray Images Using Deep Learning [0.0]
Resnet50, MobileNet_V2, Inception_Resnet_V2の微調整版では, トレーニングや検証精度の向上率(精度の96%以上)で高い良好な性能を示した。 CNN、Xception、VGG16、VGG19、Inception_V3、DenseNet201とは異なり、性能は低い(84%以上の精度)。
論文参考訳（メタデータ） (2020-03-31T16:48:27Z)
An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。