Fugu-MT 論文翻訳(概要): A Comparative Study of GAN-Based Deep Learning Models for Pneumonia Detection in Chest X-Rays

論文の概要: A Comparative Study of GAN-Based Deep Learning Models for Pneumonia Detection in Chest X-Rays

arxiv url: http://arxiv.org/abs/2609.06276v1
Date: Sat, 05 Sep 2026 22:04:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-12 06:11:53.056875
Title: A Comparative Study of GAN-Based Deep Learning Models for Pneumonia Detection in Chest X-Rays
Title（参考訳）: 胸部X線における肺炎検出のためのGANに基づく深層学習モデルの比較検討
Abstract要約: 本研究は,VGG19,MobileNetV2,ResNet50,カスタムCNNを用いて,胸部X線における肺炎の分類を評価する。 MobileNetV2は、バランスの取れたクラスワイドのパフォーマンスで88%の精度で報告された。 CNNは92.67%の肺炎リコールと79.43%の精度を達成した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: This study evaluates pneumonia classification in chest X-rays using VGG19, MobileNetV2, ResNet50, and a custom CNN, and explores Generative Adversarial Network (GAN)-based synthetic data augmentation. MobileNetV2 achieved the highest reported accuracy of 88% with balanced class-wise performance. The custom CNN achieved pneumonia recall of 92.67% and precision of 79.43%, highlighting a precision-recall trade-off. Accuracy, F1-score, precision, recall, confusion matrices, and training curves were used to assess performance. Synthetic pneumonia images were combined with real images to investigate whether augmentation could improve classification performance. In the reported VGG19 comparison, augmented-data training accuracy reached approximately 100%, while validation accuracy remained near 50%, below the real-data validation accuracy. This experiment therefore did not demonstrate a validation-performance benefit from GAN augmentation. The classifier comparison highlights differences in accuracy and pneumonia recall, while the augmentation experiment indicates the need for further evaluation of synthetic-image quality and training settings.
Abstract（参考訳）: 本研究では,VGG19,MobileNetV2,ResNet50,カスタムCNNを用いて,胸部X線における肺炎の分類を評価し,GAN(Generative Adversarial Network)に基づく合成データ拡張について検討した。 MobileNetV2は、バランスの取れたクラスワイドのパフォーマンスで88%の精度で報告された。カスタムCNNは92.67%の肺炎のリコールと79.43%の精度を達成し、正確なリコールのトレードオフを浮き彫りにした。精度,F1スコア,精度,リコール,混乱行列,トレーニング曲線を用いて評価を行った。合成肺炎画像と実画像を組み合わせることで,増悪が分類性能を向上させるかを検討した。報告されたVGG19の比較では、データトレーニングの精度は約100%に達し、検証の精度は実データ検証の精度よりも50%近く低いままであった。この実験は、GAN増強による検証性能の利点を示さなかった。分類器の比較では、精度と肺炎のリコールの違いが強調され、増強実験では、合成画像の品質とトレーニング設定のさらなる評価の必要性が示されている。

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)
Explainable Deep Learning for Pediatric Pneumonia Detection in Chest X-Ray Images [0.0]
肺炎は世界中で小児の致死率と死亡率の主要な原因となっている。本研究は,小児肺炎の自動検出のための2つの最先端畳み込みニューラルネットワーク(CNN)アーキテクチャを比較した。
論文参考訳（メタデータ） (2026-01-14T19:21:32Z)
Validating Vision Transformers for Otoscopy: Performance and Data-Leakage Effects [42.465094107111646]
本研究では、耳疾患の診断精度を高めるために、視覚トランスモデル、特にスウィントランスモデルの有効性を評価する。この研究はチリ大学臨床病院の耳鼻咽喉科の実際のデータセットを利用した。
論文参考訳（メタデータ） (2025-11-06T23:20:37Z)
Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文参考訳（メタデータ） (2023-04-18T15:39:58Z)
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)
Improving COVID-19 CT Classification of CNNs by Learning Parameter-Efficient Representation [31.51725965329019]
深層学習法は, コンピュータ断層撮影による新型コロナウイルスの自動診断を支援するために提案されている。 DenseNet121は、正常、非COVID-19肺炎、COVID-19肺炎を含む3つのカテゴリーの分類で、平均99.44%の検査精度を達成している。
論文参考訳（メタデータ） (2022-08-09T12:24:53Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
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)
Iteratively Pruned Deep Learning Ensembles for COVID-19 Detection in Chest X-rays [3.785818062712446]
この病気は、SARS-CoV-2(SARS-CoV-2)ウイルスによって引き起こされる。カスタム畳み込みニューラルネットワークとImageNet事前訓練モデルの選択を患者レベルでトレーニングし、評価する。学習した知識は、パフォーマンスと一般化を改善するために伝達され、微調整される。
論文参考訳（メタデータ） (2020-04-16T00:09:29Z)
Detection of Coronavirus (COVID-19) Associated Pneumonia based on Generative Adversarial Networks and a Fine-Tuned Deep Transfer Learning Model using Chest X-ray Dataset [4.664495510551646]
本稿では, 限られたデータセットに対して, 微調整深層移動学習を施したGANを用いた肺炎胸部X線検出法を提案する。この研究で使用されるデータセットは、正常と肺炎の2つのカテゴリを持つ5863のX線画像で構成されている。
論文参考訳（メタデータ） (2020-04-02T08:14:37Z)

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。