Hybrid CNN Architectures for Detection of Respiratory and Cardiac Diseases from Chest X-Ray Image Classification using Modern Approaches
Notice bibliographique
Résumé
In the present era, the advancement in the field of medicine is rapidly transforming healthcare in the diagnosis and detection of diseases at the early stages. Respiratory diseases and cardiac diseases are the two major categories of diseases that are very common these days. As the number of cases is increasing the physician, scientists who specialize in artificial intelligence have to develop some deep learning model that will help in detection of the disease using the x ray of the chest of the infected persons. In this paper we had proposed some Convolutional Neural Network model to identify the pneumonia (respiratory cases) as well as cardiac arrest (cardiovascular cases). The model architecture is based on some traditional Convolutional Neural Network models such as VGG, Alex Net, Inception, ResNet as well as some modern Convolutional Neural Network model such as Incetion V3, ResNet 50, VGG 16, VGG 19, DenseNet 201, MobileNet, Xception. In this model we had taken a combination of nearly 3300 chest X-Ray images out of which 1000 are normal and 600 are of infected chest X-Ray images. Also, a comparative study has been performed on these approaches on the basis of some of the factors such as data size, epochs, optimizer used, random state, classifier used, and best performance is obtained by DenseNet201 and its accuracy is 99.9% with 25 epochs.This study will help the researchers to develop some more effective Convolutional Neural Network model to detect the cardiovascular and respiratory diseases.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».