A Comparison Study of Deep CNN Architecture in Detecting of Pneumonia

要約

細菌やウイルスによって引き起こされる呼吸器感染症である肺炎は、多くの人々に影響を与えます。特に、高レベルの汚染、不潔な生活環境、過密状態が頻繁に観察され、医療インフラが不十分な発展途上国や貧困国では顕著です。
液体が肺を満たし、呼吸を困難にする状態である胸水は、肺炎によって引き起こされます。
肺炎の早期発見は、根治治療を確保し、生存率を高めるために不可欠です。
肺炎の診断に最も一般的に使用されるアプローチは、胸部 X 線画像です。
この作業の目的は、デジタル X 線写真で細菌性肺炎とウイルス性肺炎を自動診断する方法を開発することです。
この記事では、最初に著者の手法を紹介し、その後、肺炎の信頼できる診断の分野における最近の開発に関する包括的なレポートを提供します。
この研究では、最先端の深層畳み込みニューラル ネットワークを調整して、画像に基づいて植物の病気を分類し、その性能をテストしました。
ディープ ラーニング アーキテクチャを経験的に比較します。
VGG19、152v2 の ResNet、Resnext101、Seresnet152、Mobilenettv2、および 201 レイヤーの DenseNet は、テストされたアーキテクチャの 1 つです。
実験データは、病気の X 線写真と健康な X 線写真の 2 つのグループで構成されます。
植物の病気に対してできるだけ早く適切な処置を講じるためには、迅速な病気の識別モデルが好まれます。
DenseNet201 は、私たちの実験でオーバーフィッティングやパフォーマンスの低下を示しておらず、その精度はエポック数が増加するにつれて増加する傾向があります。
さらに、DenseNet201 は、非常に少ない数のパラメーターで妥当な計算時間内に最先端のパフォーマンスを実現します。
このアーキテクチャは、テスト精度の点で競合他社よりも優れており、スコアは 95% です。
各アーキテクチャは、バックエンドとして Theano を使用して、Keras を使用してトレーニングされました。

要約(オリジナル)

Pneumonia, a respiratory infection brought on by bacteria or viruses, affects a large number of people, especially in developing and impoverished countries where high levels of pollution, unclean living conditions, and overcrowding are frequently observed, along with insufficient medical infrastructure. Pleural effusion, a condition in which fluids fill the lung and complicate breathing, is brought on by pneumonia. Early detection of pneumonia is essential for ensuring curative care and boosting survival rates. The approach most usually used to diagnose pneumonia is chest X-ray imaging. The purpose of this work is to develop a method for the automatic diagnosis of bacterial and viral pneumonia in digital x-ray pictures. This article first presents the authors’ technique, and then gives a comprehensive report on recent developments in the field of reliable diagnosis of pneumonia. In this study, here tuned a state-of-the-art deep convolutional neural network to classify plant diseases based on images and tested its performance. Deep learning architecture is compared empirically. VGG19, ResNet with 152v2, Resnext101, Seresnet152, Mobilenettv2, and DenseNet with 201 layers are among the architectures tested. Experiment data consists of two groups, sick and healthy X-ray pictures. To take appropriate action against plant diseases as soon as possible, rapid disease identification models are preferred. DenseNet201 has shown no overfitting or performance degradation in our experiments, and its accuracy tends to increase as the number of epochs increases. Further, DenseNet201 achieves state-of-the-art performance with a significantly a smaller number of parameters and within a reasonable computing time. This architecture outperforms the competition in terms of testing accuracy, scoring 95%. Each architecture was trained using Keras, using Theano as the backend.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google