ZINTEGROWANY MODEL HYBRYDOWY DO WYKRYWANIA CHORÓB PŁUC Z WYKORZYSTANIEM GŁĘBOKIEGO UCZENIA SIĘ
Budati Jaya Lakshmi Narayana
Velagapudi Ramakrishna Siddhartha Engineering College (Indie)
Gopireddy Krishna Teja Reddy
Velagapudi Ramakrishna Siddhartha Engineering College (Indie)
https://orcid.org/0009-0003-5014-0554
Sujana Sri Kosaraju
ksujanasri31@gmail.comVelagapudi Ramakrishna Siddhartha Engineering College (Indie)
Sirigiri Rajeev Choudhary
Velagapudi Ramakrishna Siddhartha Engineering College (Indie)
Abstrakt
Obciążenie chorobami płuc dla światowego stanu zdrowia jest znaczne, co podkreśla istotną konieczność ich szybkiego wykrywania. W pracy wykorzystano architekturę VGG16 z dodatkowymi warstwami konwolucyjnymi, aby stworzyć hybrydową metodę klasyfikacji chorób płuc. Obejmuje ona technikę generowanie próbek syntetycznych z klasy mniejszościoweji (SMOTE) w celu poprawy wydajności modelu w odpowiedzi na problem niezrównoważonych instancji klasowych. Podzbiór danych NIH Chest X-ray jest używany do trenowania i oceny modelu. Zaprojektowany model klasyfikuje obrazy do 8 różnych klas chorób płuc: rozedma płuc, kardiomegalia, niedodma, obrzęk, konsolidacja, masa, wysięk, odma opłucnowa. Zaproponowany model zapewnił dokładność na poziomie 96,42%, co świadczy o dużej skuteczności w precyzyjnej klasyfikacji chorób płuc. Dla lepszej interakcji między pacjentem a modelem zintegrowano graficzny interfejs użytkownika (GUI). Dzięki ulepszonym możliwościom diagnostycznym proponowana metoda nie tylko wspomaga innowacje technologiczne, ale także dobrze rokuje dla poprawy opieki nad pacjentem i efektów opieki zdrowotnej.
Słowa kluczowe:
choroby płuc, uczenie głębokie, VGG16, GUIBibliografia
[1] Ahmed M. S. et al.: Joint Diagnosis of Pneumonia, COVID-19, and Tuberculosis from Chest X-ray Images: A Deep Learning Approach. Diagnostics 13(15), 2023, 2562 [https://doi.org/10.3390/diagnostics13152562].
DOI: https://doi.org/10.3390/diagnostics13152562
Google Scholar
[2] Albahli S.: Efficient GAN-based Chest Radiographs (CXR) augmentation to diagnose coronavirus disease pneumonia. International Journal of Medical Sciences 17(10), 2020, 1439.
DOI: https://doi.org/10.7150/ijms.46684
Google Scholar
[3] Bhandari M. et al.: Explanatory Classification of CXR Images into COVID-19, Pneumonia, and Tuberculosis Using Deep Learning and XAI. Computers in Biology and Medicine 150, 2022, 106156 [https://doi.org/10.1016/j.compbiomed.2022.106156].
DOI: https://doi.org/10.1016/j.compbiomed.2022.106156
Google Scholar
[4] Farhan A. M. Q., Yang S.: Automatic Lung Disease Classification from the Chest X-ray Images Using Hybrid Deep Learning Algorithm. Multimedia Tools and Applications 82, 2023, 38561–38587 [https://doi.org/10.1007/s11042-023-15047-z].
DOI: https://doi.org/10.1007/s11042-023-15047-z
Google Scholar
[5] Huang G. et al.: Densely Connected Convolutional Networks. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, 2261–2269 [https://doi.org/10.1109/CVPR.2017.243].
DOI: https://doi.org/10.1109/CVPR.2017.243
Google Scholar
[6] Ibrokhimov B., Kang J.-Y.: Deep Learning Model for COVID-19-Infected Pneumonia Diagnosis Using Chest Radiography Images. BioMedInformatics 2, 2022, 654–670 [https://doi.org/10.3390/biomedinformatics2040043].
DOI: https://doi.org/10.3390/biomedinformatics2040043
Google Scholar
[7] Islam K. T. et al.: A Deep Transfer Learning Framework for Pneumonia Detection from Chest X-ray Images. VISIGRAPP (5: VISAPP), 2020.
DOI: https://doi.org/10.5220/0008927002860293
Google Scholar
[8] Karaddi S. H., Sharma L. D.: Automated Multi-class Classification of Lung Diseases from CXR-Images Using Pre-trained Convolutional Neural Networks. Expert Systems with Applications 211, 2023, 118650 [https://doi.org/10.1016/j.eswa.2022.118650].
DOI: https://doi.org/10.1016/j.eswa.2022.118650
Google Scholar
[9] Shamrat F. J. M. et al.: High-Precision Multiclass Classification of Lung Disease through Customized MobileNetV2 from Chest X-ray Images. Computers in Biology and Medicine 155, 2023, 106646 [https://doi.org/10.1016/j.compbiomed.2023.106646].
DOI: https://doi.org/10.1016/j.compbiomed.2023.106646
Google Scholar
[10] NIH Chest X-rays Sample Dataset. Kaggle (accessed: 21 Mar. 2024) [https://www.kaggle.com/datasets/nih-chest-xrays/sample].
Google Scholar
Autorzy
Budati Jaya Lakshmi NarayanaVelagapudi Ramakrishna Siddhartha Engineering College Indie
Autorzy
Gopireddy Krishna Teja ReddyVelagapudi Ramakrishna Siddhartha Engineering College Indie
https://orcid.org/0009-0003-5014-0554
Autorzy
Sujana Sri Kosarajuksujanasri31@gmail.com
Velagapudi Ramakrishna Siddhartha Engineering College Indie
Autorzy
Sirigiri Rajeev ChoudharyVelagapudi Ramakrishna Siddhartha Engineering College Indie
Statystyki
Abstract views: 52PDF downloads: 20
