Pneumonia Detection Enhanced by Conditional Generative Adversarial Networks cGAN Addressing Class Imbalance with High Quality Synthetic Data
Notice bibliographique
Résumé
Pneumonia has recently reported the highest number of deaths in the entire world. Consequently, diagnostic procedures ought to be precise. Conversely, the problem of class imbalance is a universal issue in medical image classification that may result in biased models that do not perform well in underrepresented classes. The issue of class disproportion is successfully addressed in the work under consideration, as a cGAN generates high-quality synthetic images of the minor classes, allowing for the creation of a balanced dataset that, in turn, leads to high sensitivity of the model and consequently improves its overall performance. This paper presents a new Conditional Generative Adversarial Network (cGAN) architecture to improve the detection of pneumonia in the provided chest X-rays. To mitigate the issue of data imbalance in the dataset, this work suggests a conditional GAN-based augmentation process for synthetic X-ray images by producing clinically viable and label-coherent synthetic X-ray images. The framework also includes validation achieved through the application of either SSIM/FID or balanced training, which improves the accuracy of pneumonia detection and leads to diagnostic conclusions unlike those of existing methods. Current approaches are less successful compared to this study, as the system achieves 96.5% accuracy, 95.2% sensitivity, and 96.1% specificity, with a high F1 score. The suggested framework has a good performance scale, making it applicable in medical applications. This paper demonstrates the capacity of cGAN to develop pneumonia diagnosis machines that are feasible and user-friendly in healthcare institutions.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».