論文の概要: Pediatric Pneumonia Detection from Chest X-Rays:A Comparative Study of Transfer Learning and Custom CNNs

• arxiv url: http://arxiv.org/abs/2601.00837v1
• Date: Fri, 26 Dec 2025 18:48:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-11 18:48:17.542984
• Title: Pediatric Pneumonia Detection from Chest X-Rays:A Comparative Study of Transfer Learning and Custom CNNs
• Title（参考訳）: 胸部X線による小児肺炎の検出:トランスファーラーニングとカスタムCNNの比較検討
• Authors: Agniv Roy Choudhury,
• Abstract要約: 肺炎は5歳未満の小児の主要な死因であり、毎年70万人以上が死亡している。 本研究は, 小児肺炎の診断において, ゼロから訓練したカスタムCNNとトランスファーラーニングを比較した。 99.43%の精度、99.61%のF1スコア、99.93%のAUC、そして3つの誤分類しかなかった。
• 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: Pneumonia is a leading cause of mortality in children under five, with over 700,000 deaths annually. Accurate diagnosis from chest X-rays is limited by radiologist availability and variability. Objective: This study compares custom CNNs trained from scratch with transfer learning (ResNet50, DenseNet121, EfficientNet-B0) for pediatric pneumonia detection, evaluating frozen-backbone and fine-tuning regimes. Methods: A dataset of 5,216 pediatric chest X-rays was split 80/10/10 for training, validation, and testing. Seven models were trained and assessed using accuracy, F1-score, and AUC. Grad-CAM visualizations provided explainability. Results: Fine-tuned ResNet50 achieved the best performance: 99.43\% accuracy, 99.61\% F1-score, and 99.93\% AUC, with only 3 misclassifications. Fine-tuning outperformed frozen-backbone models by 5.5 percentage points on average. Grad-CAM confirmed clinically relevant lung regions guided predictions. Conclusions: Transfer learning with fine-tuning substantially outperforms CNNs trained from scratch for pediatric pneumonia detection, showing near-perfect accuracy. This system has strong potential as a screening tool in resource-limited settings. Future work should validate these findings on multi-center and adult datasets. Keywords: Pneumonia detection, deep learning, transfer learning, CNN, chest X-ray, pediatric diagnosis, ResNet, DenseNet, EfficientNet, Grad-CAM.
• Abstract（参考訳）: 肺炎は5歳未満の小児の主要な死因であり、毎年70万人以上が死亡している。 胸部X線からの正確な診断は、放射線検査医の可用性と変動性によって制限される。 目的: 本研究は, 小児肺炎の検出, 凍結バックボーンおよび微調整体制を評価するために, ゼロからトレーニングしたカスタムCNNとトランスファーラーニング(ResNet50, DenseNet121, EfficientNet-B0)を比較した。 方法: 研修, 検証, 検査のために, 小児胸部X線5,216点のデータセットを80/10/10に分割した。 7つのモデルが、精度、F1スコア、AUCを用いて訓練され評価された。 Grad-CAMビジュアライゼーションは、説明性を提供する。 結果: 微調整されたResNet50は、99.43\%の精度、99.61\%のF1スコア、99.93\%のAUCを達成し、3つの誤分類しかなかった。 微調整された冷凍バックボーンモデルの平均は5.5ポイント向上した。 Grad-CAMは、臨床的に関連のある肺領域が予測を導いたことを確認した。 結論: 微調整による移行学習は, 小児肺炎検出のためのスクラッチから訓練したCNNよりも有意に優れ, ほぼ完全な精度を示した。 このシステムはリソース制限設定におけるスクリーニングツールとして大きな可能性を秘めている。 今後の研究は、これらの発見をマルチセンタとアダルトデータセットで検証する必要がある。 キーワード: 肺炎の検出、ディープラーニング、トランスファーラーニング、CNN、胸部X線、小児診断、ResNet、DenseNet、EfficientNet、Grad-CAM。

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)
• AI-Enhanced Pediatric Pneumonia Detection: A CNN-Based Approach Using Data Augmentation and Generative Adversarial Networks (GANs) [0.0]
  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。
  論文  参考訳（メタデータ） (2025-07-13T19:38:49Z)
• 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)
• Advancing Diagnostic Precision: Leveraging Machine Learning Techniques for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest X-Ray Images [0.0]
  新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。 救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
  論文  参考訳（メタデータ） (2023-10-09T18:38:49Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• COVID-19 Detection Based on Self-Supervised Transfer Learning Using Chest X-Ray Images [38.65823547986758]
  胸部X線(CXR)画像から新型コロナウイルスを検出するための自己教師伝達学習法を提案する。 オープンなCOVID-19 CXRデータセットの定量的評価と,視覚検査のための質的結果について検討した。
  論文  参考訳（メタデータ） (2022-12-19T07:10:51Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• Learning to Automatically Diagnose Multiple Diseases in Pediatric Chest Radiographs Using Deep Convolutional Neural Networks [0.4697611383288171]
  ディープ畳み込みニューラルネットワーク(D-CNN)は成人の胸部X線写真(CXR)スキャンにおいて顕著な性能を示した。 本稿では,5,017名の小児CXRスキャンの大規模なデータセットを遡及的に収集し,それぞれを経験者によって手動でラベル付けする。 その後、D-CNNモデルは3,550個の注釈付きスキャンで訓練され、複数の小児肺病理を自動分類する。
  論文  参考訳（メタデータ） (2021-08-14T08:14:52Z)
• 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)
• COVID-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
  胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。 本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
  論文  参考訳（メタデータ） (2020-05-26T16:33:52Z)
• 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。