Lung-Related Diseases Classification Using Deep Convolutional Neural Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate diagnosis is a crucial first step in the management and treatment of lung \ndiseases, which include infectious diseases such as COVID-19, viral pneumonia, lung \nopacity, tuberculosis, and bacterial pneumonia. Despite these conditions sharing similar \nmanifestations in chest X-ray images, it is imperative to correctly identify the disease \npresent. This study, therefore, sought to develop a convolutional neural network (CNN)- \nbased model for the classification of lung diseases. Four distinct CNN models, namely \nMobileNetV2, ResNet-50, ResNet-101, and AlexNet, were rigorously evaluated for \ntheir ability to classify lung diseases from chest X-ray images. These models were tested \nagainst three classification schemes to examine the impact of high interclass similarity: \na 4-subclass classification (COVID-19, viral pneumonia, lung opacity, and normal), a \n5-subclass classification (COVID-19, viral pneumonia, lung opacity, tuberculosis, and \nnormal), and a 6-subclass classification (COVID-19, lung opacity, viral pneumonia, \ntuberculosis, bacterial pneumonia, and normal). The retrained ResNet-50 architecture \nyielded the best results, achieving a classification accuracy of 97.22%, 92.14%, and \n96.08% for the 6-subclass, 5-subclass, and 4-subclass classifications respectively. \nConversely, ResNet-101 demonstrated the lowest classification accuracy for the 6- \nsubclass and 5-subclass classifications, with 78.12% and 79.49% respectively, while \nMobileNetV2 had the lowest accuracy for the 4-subclass classification, with 88.89%. \nThese results suggest that, despite high interclass similarity, the ResNet-50 model can \neffectively classify lung-related diseases from chest X-ray images. This finding \nsupports the use of computer-aided detection (CAD) systems as decision-support tools \nin the early classification of lung-related diseases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle