Deep Learning for Lung Disease Classification Using Transfer Learning and a Customized CNN Architecture with Attention

要約

毎年、多くの人が肺関連の病気で亡くなっています。
X 線検査は、肺関連の病気があるかどうかを検査する効果的な方法です。
この研究では、健康な肺を示すもの、肺の混濁を示すもの、ウイルス性肺炎を示すものという 3 つの異なるタイプの肺 X 線写真を分類することに重点を置いています。
初期段階で病気を正確に診断することが重要です。
この論文では、5 つの異なる事前トレーニング済みモデルを肺 X 線画像データセットでテストします。
SqueezeNet、VGG11、ResNet18、DenseNet、MobileNetV2 は、それぞれ 0.64、0.85、0.87、0.88、0.885 の精度を達成しました。
MobileNetV2 は、最もパフォーマンスの高い事前トレーニング済みモデルとして、ベース モデルとしてさらに分析されます。
最終的に、肺疾患の分類タスクに取り組むために、微調整とフィーチャ レイヤー内での追加の注目層を備えた MobileNetV2 に基づく独自のモデル MobileNet-Lung が発明され、精度 0.933 を達成しました。
この結果は、5 つの事前トレーニング済みモデルすべてと比較して大幅に改善されています。

要約(オリジナル)

Many people die from lung-related diseases every year. X-ray is an effective way to test if one is diagnosed with a lung-related disease or not. This study concentrates on categorizing three distinct types of lung X-rays: those depicting healthy lungs, those showing lung opacities, and those indicative of viral pneumonia. Accurately diagnosing the disease at an early phase is critical. In this paper, five different pre-trained models will be tested on the Lung X-ray Image Dataset. SqueezeNet, VGG11, ResNet18, DenseNet, and MobileNetV2 achieved accuracies of 0.64, 0.85, 0.87, 0.88, and 0.885, respectively. MobileNetV2, as the best-performing pre-trained model, will then be further analyzed as the base model. Eventually, our own model, MobileNet-Lung based on MobileNetV2, with fine-tuning and an additional layer of attention within feature layers, was invented to tackle the lung disease classification task and achieved an accuracy of 0.933. This result is significantly improved compared with all five pre-trained models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google