論文の概要: CBAM-Enhanced DenseNet121 for Multi-Class Chest X-Ray Classification with Grad-CAM Explainability
- arxiv url: http://arxiv.org/abs/2604.12305v1
- Date: Tue, 14 Apr 2026 05:27:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.258106
- Title: CBAM-Enhanced DenseNet121 for Multi-Class Chest X-Ray Classification with Grad-CAM Explainability
- Title（参考訳）: Grad-CAMによるマルチクラス胸部X線分類のためのCBAM強化DenseNet121
- Authors: Utsho Kumar Dey,
- Abstract要約: 肺炎は世界中の小児死亡の主な原因である。
本稿では,Convolutional Block Attention Moduleを統合した移動学習フレームワークCBAM-DenseNet121を提案する。
CBAM-DenseNet121 の試験精度は 84.29% +/- 1.14% であり、AUC 毎のスコアは 0.9565 +/- 0.0010, 0.9610 +/- 0.0014, 0.9187 +/- 0.0037 である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pneumonia remains a leading cause of childhood mortality worldwide, with a heavy burden in low-resource settings such as Bangladesh where radiologist availability is limited. Most existing deep learning approaches treat pneumonia detection as a binary problem, overlooking the clinically critical distinction between bacterial and viral aetiology. This paper proposes CBAM-DenseNet121, a transfer-learning framework that integrates the Convolutional Block Attention Module (CBAM) into DenseNet121 for three-class chest X-ray classification: Normal, Bacterial Pneumonia, and Viral Pneumonia. We also conduct a systematic binary-task baseline study revealing that EfficientNetB3 (73.88%) underperforms even the custom CNN baseline (78.53%) -- a practically important negative finding for medical imaging model selection. To ensure statistical reliability, all experiments were repeated three times with independent random seeds (42, 7, 123), and results are reported as mean +/- standard deviation. CBAM-DenseNet121 achieves 84.29% +/- 1.14% test accuracy with per-class AUC scores of 0.9565 +/- 0.0010, 0.9610 +/- 0.0014, and 0.9187 +/- 0.0037 for bacterial pneumonia, normal, and viral pneumonia respectively. Grad-CAM visualizations confirm that the model attends to anatomically plausible pulmonary regions for each class, supporting interpretable deployment in resource-constrained clinical environments.
- Abstract（参考訳）: 肺炎は世界中の小児死亡の主な原因であり、バングラデシュなどの低資源環境では放射線治療薬の入手が制限されている。
既存のディープラーニングアプローチのほとんどは、細菌とウイルスのエトロジーの臨床的に重要な区別を見越して、肺炎検出をバイナリ問題として扱う。
本稿では,3種類の胸部X線分類(正常,細菌性肺炎,ウイルス性肺炎)のために,CBAM(Convolutional Block Attention Module)をDenseNet121に統合したトランスファーラーニングフレームワークであるCBAM-DenseNet121を提案する。
我々はまた、EfficientNetB3 (73.88%) がカスタムCNNベースライン (78.53%) でさえ性能が劣っていることを明らかにする、システマティックバイナリタスクベースライン調査も実施した。
統計的信頼性を確保するために、全ての実験は独立ランダムシード(42, 7, 123)で3回繰り返し、平均+/-標準偏差として報告された。
CBAM-DenseNet121 の試験精度は 84.29% +/- 1.14% であり、AUC 毎のスコアは 0.9565 +/- 0.0010, 0.9610 +/- 0.0014, 0.9187 +/- 0.0037 である。
Grad-CAMビジュアライゼーションは、このモデルが各クラスで解剖学的に可塑性の肺領域に到達していることを確認し、リソース制約された臨床環境における解釈可能な展開をサポートする。
関連論文リスト
- Comparative Analysis of Deep Learning Architectures for Multi-Disease Classification of Single-Label Chest X-rays [1.1470070927586018]
本研究では,多型胸部疾患分類のための7つのディープラーニングアーキテクチャの比較検討を行った。
ConvNeXt-Tinyは92.31%の精度、95.70%のAUROCを達成し、MobileNetV2は3.5Mパラメータ、90.42%の精度、94.10%のAUROCを達成した。
以上の結果より,高精度胸部X線分類が過剰な計算資源を伴わずに達成できることが示唆された。
論文 参考訳（メタデータ） (2026-03-11T07:52:36Z) - 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) - 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) - Automatic Cough Classification for Tuberculosis Screening in a
Real-World Environment [5.6663315405998365]
結核(tb)患者と他の肺疾患患者が発する発声音とを自動的に判別することが可能であることを示す第1報を報告する。
本実験は, TB患者16名, 呼吸器疾患患者33名, TB以外の患者33名を対象に, 実世界の診療所で得られたコークス記録のデータセットに基づいて行った。
以上の結果から, 音素の自動分類は, TBの低コストで展開可能なフロントラインスクリーニングの手段として有望であり, 開発途上国のTB負荷に大きく貢献すると考えられる。
論文 参考訳（メタデータ） (2021-03-23T15:03:52Z) - 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) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Improving performance of CNN to predict likelihood of COVID-19 using
chest X-ray images with preprocessing algorithms [0.3180570080674292]
本研究は,胸部X線画像のコンピュータ支援診断手法の開発の可能性を示した。
8,474個の胸部X線画像のデータセットを使用して、CNNベースのCADスキームをトレーニングし、テストする。
検査結果は、3つのクラスを分類する際の総合的精度の94.0%、コビッドウイルスの感染者を検出する際の精度の98.6%を達成している。
論文 参考訳（メタデータ） (2020-06-11T16:45:46Z) - 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。