Integrated hybrid model for lung disease detection through deep learning

• Autorzy: Narayana Budati Jaya Lakshmi , Reddy Gopireddy Krishna Teja , Kosaraju Sujana Sri , Choudary Sirigiri Rajeev

Identyfikatory

DOI

10.35784/iapgos.6081

Warianty tytułu

PL

Zintegrowany model hybrydowy do wykrywania chorób płuc z wykorzystaniem głębokiego uczenia się

• Języki publikacji: EN

Abstrakty

EN

The burden of lung diseases on world health is substantial, underscoring the vital necessity of timely detection. The VGG16 architecture with additional convolutional layers is used in this study to provide a hybrid method to lung disease classification. It incorporates the Synthetic Minority Over-sampling Technique (SMOTE) to improve model performance in response to the problem of imbalanced class instances. The subset of the NIH Chest X-ray dataset is used to train and assess the model. The designed model classifies the images into 8 different classes of lung diseases. They are Emphysema, Cardiomegaly, Atelectasis, Edema, Consolidation, Mass, Effusion, Pneumothorax. The proposed model delivered accuracy of 96.42% which demonstrates the efficacy in precise classification of lung diseases. The Graphical User Interface (GUI) is integrated for better interaction between the patient and the model. Through improved diagnostic capabilities, this suggested method not only promotes technological innovation but also shows promise for enhancing patient care and health care outcomes.

PL

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

EN

lung disease; deep learning; VGG16; GUI

PL

choroba płuc; uczenie głębokie; VGG16; GUI

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2024
• Tom: T. 14, nr 3
• Strony: 81--55
• Opis fizyczny: Bibliogr. 10 poz., rys., wykr.

Twórcy

autor

Narayana Budati Jaya Lakshmi

• V. R. Siddhartha Engineering College, Department of Computer Science Engineering

• https://orcid.org/0000-0001-5435-7177

autor

Reddy Gopireddy Krishna Teja

• V. R. Siddhartha Engineering College, Department of Computer Science Engineering

• https://orcid.org/0009-0003-5014-0554

autor

Kosaraju Sujana Sri

• V. R. Siddhartha Engineering College, Department of Computer Science Engineering

• https://orcid.org/0009-0004-7009-2294

autor

Choudary Sirigiri Rajeev

• V. R. Siddhartha Engineering College, Department of Computer Science Engineering

• https://orcid.org/0009-0008-7061-3693

Bibliografia

• [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].
• [2] Albahli S.: Efficient GAN-based Chest Radiographs (CXR) augmentation to diagnose coronavirus disease pneumonia. International Journal of Medical Sciences 17(10), 2020, 1439.
• [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].
• [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].
• [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].
• [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].
• [7] Islam K. T. et al.: A Deep Transfer Learning Framework for Pneumonia Detection from Chest X-ray Images. VISIGRAPP (5: VISAPP), 2020.
• [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].
• [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].
• [10] NIH Chest X-rays Sample Dataset. Kaggle (accessed: 21 Mar. 2024) [https://www.kaggle.com/datasets/nih-chest-xrays/sample].