Lightweight Weighted Average Ensemble Model for Pneumonia Detection in Chest X-Ray Images

要約

肺炎は、子供の病気と死の主な原因であり、早期かつ正確な検出の必要性を強調しています。
この研究では、胸部X線画像を使用して小児の肺炎を検出するための新しい軽量アンサンブルモデルを提案します。
このアンサンブルモデルは、計算効率と精度のバランスのために選択された2つの事前に訓練された畳み込みニューラルネットワーク（CNNS）、MobileNetv2とNasnetMobileを統合します。
これらのモデルは、小児胸部X線データセットで微調整され、組み合わせて分類パフォーマンスを向上させました。
提案されているアンサンブルモデルは、98.63％の分類精度を達成し、精度、精度、リコール、およびF1スコアの点で、MobileNETV2（97.10％）やNasnetMobile（96.25％）などの個々のモデルを大幅に上回りました。
さらに、アンサンブルモデルは、計算効率を維持しながら、ResNet50、InceptionV3、Densenet201などの最先端のアーキテクチャよりも優れていました。
提案されている軽量アンサンブルモデルは、肺炎検出に非常に効果的でリソース効率の高いソリューションを提供し、リソース制約の設定での展開に特に適しています。

要約(オリジナル)

Pneumonia is a leading cause of illness and death in children, underscoring the need for early and accurate detection. In this study, we propose a novel lightweight ensemble model for detecting pneumonia in children using chest X-ray images. This ensemble model integrates two pre-trained convolutional neural networks (CNNs), MobileNetV2 and NASNetMobile, selected for their balance of computational efficiency and accuracy. These models were fine-tuned on a pediatric chest X-ray dataset and combined to enhance classification performance. Our proposed ensemble model achieved a classification accuracy of 98.63%, significantly outperforming individual models such as MobileNetV2 (97.10%) and NASNetMobile(96.25%) in terms of accuracy, precision, recall, and F1 score. Moreover, the ensemble model outperformed state-of-the-art architectures, including ResNet50, InceptionV3, and DenseNet201, while maintaining computational efficiency. The proposed lightweight ensemble model presents a highly effective and resource-efficient solution for pneumonia detection, making it particularly suitable for deployment in resource-constrained settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google