胸部X線画像から肺炎を分類するための深層移動学習モデルを微調整することによるアンサンブルベースアプローチ【JST・京大機械翻訳】

Venu Sagar Kora

プレプリント

J-GLOBAL ID：202202200817892098 整理番号：21P0060463

胸部X線画像から肺炎を分類するための深層移動学習モデルを微調整することによるアンサンブルベースアプローチ【JST・京大機械翻訳】

An ensemble-based approach by fine-tuning the deep transfer learning models to classify pneumonia from chest X-ray images

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (1件)：
資料名：
発行年： 2020年11月10日プレプリントサーバーでの情報更新日： 2020年11月10日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

肺炎は,肺に感染するウイルス,細菌または真菌により生じ,診断されない場合,致死的であり,呼吸不全を生じる。米国,主に成人の25万人以上の個人は,毎年肺炎と診断され,疾患から50,000の死亡がある。胸部X線検査(X線)は,肺炎を検出するために放射線科医によって広く使用されている。十分に訓練された放射線科医に対する肺炎検出は稀であり,診断精度の改善の必要性をトリガーする。本研究では,ニューラルネットワークの訓練時間を減らし,汎化誤差を最小化することができる転送学習を提案した。著者らは,肺炎を正確に分類するために,InceptResNet,MobileNetV2,Xception,高密度Net 201,およびResNet152V2のような最先端の深層学習モデルを訓練し,微調整した。その後,これらのモデルの加重平均集合を作成し,98.46%の試験精度,98.38%の精度,99.53%の再現率,および98.96%のf1スコアを達成した。精度,精度およびf1スコアのこれらの性能計量は,文献で報告されている最高レベルであり,正確な肺炎分類のベンチマークと考えられる。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

人工知能 , 呼吸器の診断

, , , , ,

前のページに戻る