Ідентифікація типів захворювання легень за допомогою згорткової нейронної мережі й архітектури VGG-16
Pneumonia, tuberculosis, and Covid-19 are different lung diseases but have similar characteristics. One of the reasons for the worsening of disease in lung sufferers is a diagnosis that takes a long time. Another factor, the results of the X-ray photos look blurry and lack contracture, causing diffe...
Збережено в:
| Видавець: | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
|---|---|
| Дата: | 2023 |
| Автори: | , , , |
| Формат: | Стаття |
| Мова: | English |
| Опубліковано: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2023
|
| Теми: | |
| Онлайн доступ: | http://journal.iasa.kpi.ua/article/view/271023 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
Організація
System research and information technologies| id |
journaliasakpiua-article-271023 |
|---|---|
| record_format |
ojs |
| spelling |
journaliasakpiua-article-2710232023-11-07T22:19:24Z Identification of lung disease types using convolutional neural network and VGG-16 architecture Ідентифікація типів захворювання легень за допомогою згорткової нейронної мережі й архітектури VGG-16 Bukhori, Saiful Verdy, Bangkit Yudho Negoro Windi Eka, Yulia Retnani Januar, Adi Putra tuberculosis pneumonia Covid-19 VGG-16 convolutional neural network туберкульоз пневмонія Сovid-19 VGG-16 згорткова нейронна мережа Pneumonia, tuberculosis, and Covid-19 are different lung diseases but have similar characteristics. One of the reasons for the worsening of disease in lung sufferers is a diagnosis that takes a long time. Another factor, the results of the X-ray photos look blurry and lack contracture, causing different diagnostic results of X-ray photos. This research classifies lung images into four categories: normal lungs, tuberculosis, pneumonia, and Covid-19 using the Convolutional Neural Network method and VGG-16 architecture. The results of the research with models and scenarios without pre-trained use data with a ratio of 9:1 at epoch 50, an accuracy of 94%, while the lowest results are in scenarios using data with a ratio of 8:2 at epoch 50, non-pre-trained models, accuracy by 87%. Пневмонія, туберкульоз і Covid-19 – різні захворювання легенів, але мають схожі характеристики. Однією з причин загострення захворювання легень є довготривала діагностика. Іншим фактором є те, що результати рентгенівських знімків виглядають розмитими і з відсутністю контрактури, що спричиняє різні результати діагностики рентгенівських знімків. Це дослідження класифікує зображення легенів на чотири категорії, а саме: нормальні легені, туберкульоз, пневмонія та Covid-19 за допомогою методу згорткової нейронної мережі та архітектури VGG-16. Результати дослідження з моделями та сценаріями без попередньої підготовки використовують дані зі співвідношенням 9:1 в епосі 50, точністю 94%, тоді як найнижчі результати в сценаріях з використанням даних зі співвідношенням 8:2 в епосі 50, моделі без попередньої підготовки, точність 87%. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2023-09-29 Article Article application/pdf http://journal.iasa.kpi.ua/article/view/271023 10.20535/SRIT.2308-8893.2023.3.07 System research and information technologies; No. 3 (2023); 96-107 Системные исследования и информационные технологии; № 3 (2023); 96-107 Системні дослідження та інформаційні технології; № 3 (2023); 96-107 2308-8893 1681-6048 en http://journal.iasa.kpi.ua/article/view/271023/283978 |
| institution |
System research and information technologies |
| collection |
OJS |
| language |
English |
| topic |
tuberculosis pneumonia Covid-19 VGG-16 convolutional neural network туберкульоз пневмонія Сovid-19 VGG-16 згорткова нейронна мережа |
| spellingShingle |
tuberculosis pneumonia Covid-19 VGG-16 convolutional neural network туберкульоз пневмонія Сovid-19 VGG-16 згорткова нейронна мережа Bukhori, Saiful Verdy, Bangkit Yudho Negoro Windi Eka, Yulia Retnani Januar, Adi Putra Ідентифікація типів захворювання легень за допомогою згорткової нейронної мережі й архітектури VGG-16 |
| topic_facet |
tuberculosis pneumonia Covid-19 VGG-16 convolutional neural network туберкульоз пневмонія Сovid-19 VGG-16 згорткова нейронна мережа |
| format |
Article |
| author |
Bukhori, Saiful Verdy, Bangkit Yudho Negoro Windi Eka, Yulia Retnani Januar, Adi Putra |
| author_facet |
Bukhori, Saiful Verdy, Bangkit Yudho Negoro Windi Eka, Yulia Retnani Januar, Adi Putra |
| author_sort |
Bukhori, Saiful |
| title |
Ідентифікація типів захворювання легень за допомогою згорткової нейронної мережі й архітектури VGG-16 |
| title_short |
Ідентифікація типів захворювання легень за допомогою згорткової нейронної мережі й архітектури VGG-16 |
| title_full |
Ідентифікація типів захворювання легень за допомогою згорткової нейронної мережі й архітектури VGG-16 |
| title_fullStr |
Ідентифікація типів захворювання легень за допомогою згорткової нейронної мережі й архітектури VGG-16 |
| title_full_unstemmed |
Ідентифікація типів захворювання легень за допомогою згорткової нейронної мережі й архітектури VGG-16 |
| title_sort |
ідентифікація типів захворювання легень за допомогою згорткової нейронної мережі й архітектури vgg-16 |
| title_alt |
Identification of lung disease types using convolutional neural network and VGG-16 architecture |
| description |
Pneumonia, tuberculosis, and Covid-19 are different lung diseases but have similar characteristics. One of the reasons for the worsening of disease in lung sufferers is a diagnosis that takes a long time. Another factor, the results of the X-ray photos look blurry and lack contracture, causing different diagnostic results of X-ray photos. This research classifies lung images into four categories: normal lungs, tuberculosis, pneumonia, and Covid-19 using the Convolutional Neural Network method and VGG-16 architecture. The results of the research with models and scenarios without pre-trained use data with a ratio of 9:1 at epoch 50, an accuracy of 94%, while the lowest results are in scenarios using data with a ratio of 8:2 at epoch 50, non-pre-trained models, accuracy by 87%. |
| publisher |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| publishDate |
2023 |
| url |
http://journal.iasa.kpi.ua/article/view/271023 |
| work_keys_str_mv |
AT bukhorisaiful identificationoflungdiseasetypesusingconvolutionalneuralnetworkandvgg16architecture AT verdybangkityudhonegoro identificationoflungdiseasetypesusingconvolutionalneuralnetworkandvgg16architecture AT windiekayuliaretnani identificationoflungdiseasetypesusingconvolutionalneuralnetworkandvgg16architecture AT januaradiputra identificationoflungdiseasetypesusingconvolutionalneuralnetworkandvgg16architecture AT bukhorisaiful ídentifíkacíâtipívzahvorûvannâlegenʹzadopomogoûzgortkovoínejronnoímerežíjarhítekturivgg16 AT verdybangkityudhonegoro ídentifíkacíâtipívzahvorûvannâlegenʹzadopomogoûzgortkovoínejronnoímerežíjarhítekturivgg16 AT windiekayuliaretnani ídentifíkacíâtipívzahvorûvannâlegenʹzadopomogoûzgortkovoínejronnoímerežíjarhítekturivgg16 AT januaradiputra ídentifíkacíâtipívzahvorûvannâlegenʹzadopomogoûzgortkovoínejronnoímerežíjarhítekturivgg16 |
| first_indexed |
2024-04-08T14:50:28Z |
| last_indexed |
2024-04-08T14:50:28Z |
| _version_ |
1804810496322306048 |