Classification of Pneumonia, Tuberculosis and Covid-19 from Chest X-Ray Images Using Convolution Neural Network Model
Notice bibliographique
Résumé
Accurate and timely diagnosis of respiratory ailments like pneumonia, tuberculosis (TB), and COVID-19 is pivotal for effective patient care and public health interventions. Deep learning algorithms have emerged as potent tools in medical image classification, offering promise for automated diagnosis and screening. This study presents a deep learning-based approach for categorizing chest X-ray images into three classes: pneumonia, tuberculosis, and COVID-19. Utilizing convolutional neural networks (CNNs) as the primary architecture, owing to their ability to automatically extract relevant features from raw image data. The proposed model is trained on a sizable dataset of chest X-ray images annotated with ground truth labels for pneumonia, TB, and COVID-19. Extensive experiments are conducted to evaluate the model's performance in terms of classification accuracy, sensitivity, specificity, and area under the receiver operating characteristic curve (AUC-ROC). Additionally, we compare the performance of our deep learning model with traditional machine learning techniques, including support vector machines, decision trees, XGBoost, and evaluate its performance on an independent test set. Our findings demonstrate that the proposed deep learning model achieves high accuracy in classifying chest X-ray images of pneumonia, TB, and COVID-19, outperforming traditional methods and showing potential for clinical deployment as a screening tool, especially in resource-limited settings.
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 | 0,001 |
| 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 ».