Comparison of CNN Architectures for Mycobacterium Tuberculosis Classification in Sputum Images
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
Tuberculosis (TB) is a preventable and treatable infectious disease, but remains a serious problem in high-risk countries.Accurate early detection remains a challenge despite prevention efforts.The primary method of detecting tuberculosis is identifying bacteria in sputum samples using a microscope.This research focuses on the use of Convolutional Neural Network (CNN) with the AlexNet, ResNet-18, ResNet-50, and VGG-16 architectures in the early detection and classification of Tuberculosis (TB) through processing images of TB patients' sputum.A dataset of sputum images was collected and processed to ensure quality and adequate representation.Each CNN model was trained using deep learning techniques on the prepared dataset.The aim of this research is to compare the performance of each model in recognizing and classifying sputum images containing Mycobacterium tuberculosis bacteria and those without TB bacteria.The research results show that AlexNet architecture outperforms ResNet-18, ResNet-50 and VGG-16 in classification accuracy of Mycobacterium tuberculosis.The best validation accuracy achieved was 93.42% with the fastest time of 5 minutes and 52 seconds using AlexNet architecture.Identifying the most appropriate AlexNet architectural model could unlock the potential for developing automated systems that efficiently identify TB, thereby enabling faster and more timely medical intervention.
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 | 0,000 | 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 | 0,000 | 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