Lung-Related Diseases Classification Using Deep Convolutional Neural Network
Notice bibliographique
Résumé
Accurate diagnosis is a crucial first step in the management and treatment of lung diseases, which include infectious diseases such as COVID-19, viral pneumonia, lung opacity, tuberculosis, and bacterial pneumonia.Despite these conditions sharing similar manifestations in chest X-ray images, it is imperative to correctly identify the disease present.This study, therefore, sought to develop a convolutional neural network (CNN)based model for the classification of lung diseases.Four distinct CNN models, namely MobileNetV2, ResNet-50, ResNet-101, and AlexNet, were rigorously evaluated for their ability to classify lung diseases from chest X-ray images.These models were tested against three classification schemes to examine the impact of high interclass similarity: a 4-subclass classification (COVID-19, viral pneumonia, lung opacity, and normal), a 5-subclass classification (COVID-19, viral pneumonia, lung opacity, tuberculosis, and normal), and a 6-subclass classification (COVID-19, lung opacity, viral pneumonia, tuberculosis, bacterial pneumonia, and normal).The retrained ResNet-50 architecture yielded the best results, achieving a classification accuracy of 97.22%, 92.14%, and 96.08% for the 6-subclass, 5-subclass, and 4-subclass classifications respectively.Conversely, ResNet-101 demonstrated the lowest classification accuracy for the 6subclass and 5-subclass classifications, with 78.12% and 79.49% respectively, while MobileNetV2 had the lowest accuracy for the 4-subclass classification, with 88.89%.These results suggest that, despite high interclass similarity, the ResNet-50 model can effectively classify lung-related diseases from chest X-ray images.This finding supports the use of computer-aided detection (CAD) systems as decision-support tools in 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».