Efficient Deep Learning Approach for the Classification of Pneumonia in Infants from Chest X-Ray Images
Notice bibliographique
Résumé
Pediatric pneumonia is a major infectious disease which caused more than 5,00,000 deaths of infants and young children below the age of 5 years.This number is equivalent to the death of one child per minute.These statistics are daunting and more focused studies and development of tools are required to tackle this challenge.It has also been seen that pediatric pneumonia is curable through antibiotics and oxygen therapy if it is diagnosed at early stages.Current radiology techniques used are not able to diagnose pneumonia at early stages because specific arrangements are to be made for childcare.They cannot be treated as normal adults.Special care is to be taken for childcare as improper handling of radiology techniques may harm the child or generate inaccurate diagnosis.Recent advancements in computer aided diagnosis with the help of deep learning techniques has improved the quality of medical imaging techniques such as CT-Scan, X-ray images, etc.However, limited attention is given to the application of deep learning techniques for diagnosis and classification of pediatric pneumonia.Moreover, conducting manual tests, image classification and analysis of radiological images are prone to human errors due to lack of expertise of the radiologists.Inaccurate analysis of radiological images like X-rays can suggest inappropriate treatment for children which can prove to be fatal.To fasten the interpretation of radiological images, this paper suggests a deep learning model, focusing specifically on classifying pediatric pneumonia from chest X-ray images.In this paper, a MobileNeT-V3 architecture is implemented and tested against various datasets containing more than 10,000 chest X-ray images.Analysis of suggested implementation shows that this is better than various classical tools and techniques used for classification of chest X-ray.The suggested technique achieved a classification accuracy of 95.8% over dataset-1 and 97.8% over dataset-2, shows the efficiency of the technique.The model in this study not only demonstrated high classification accuracy but also excelled in other key metrics, achieving a precision of 97% and 94%, recall of 97% and 98%, and F1 scores of 97% for both datasets, underscoring its precision and reliability in diagnosing pediatric pneumonia.
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».