Advancing Pneumonia Classification and Detection: Comparative Analysis of Deep Learning Models Using Convolutional Neural Networks
Notice bibliographique
Résumé
Pneumonia is a fatal disease that arises from a bacterial infection in the lungs. If it is not detected in an early stage, it can cause death among young children. Early detection of this disease can play an important role in the effectiveness of the treatment process. The diagnosis is usually monitored from chest X-ray images by an expert radiologist. Due to a lack of confidence in the diagnosis process regarding ambiguous X-ray images or being mistaken for other medical diseases, the application of computer vision is needed to assist radiologists in the decision-making process. In this study, we utilized techniques from transfer learning alongside three architectures based on convolutional neural networks (CNNs) to facilitate the detection of pneumonia and improve the interpretability of diagnostic outcomes. To achieve this, we used a publicly available dataset of 5,863 grayscale chest X -ray images. These images include standard anterior-posterior (AP) and lateral views obtained from unique patients from Guangzhou Women and Children’s Medical Center in China (1,583 normal and 4,280 pneumonia images). Before the training, validation, and testing phases, data preprocessing techniques including image resizing and data augmentation were used to prepare the dataset for binary classification. To enhance the generalizability and efficacy of our findings, we utilized high-performing pre-trained models such as DenseNet121, DenseNet169, and ResNet101, evaluating the performance of each architecture against an external validation, and test set. The evaluation results of deep learning models for binary classification of pneumonia demonstrated that DenseNet121 outperformed its counterparts achieving the highest validation accuracy of 98.68% and the lowest loss value of 0.04.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».