Találati lista | Tudóstér

001-es BibID:	BIBFORM119363
Első szerző:	Katona Tamás (informatikus)
Cím:	Developing New Fully Connected Layers for Convolutional Neural Networks with Hyperparameter Optimization for Improved Multi-Label Image Classification / Tamás Katona, Gábor Tóth, Mátyás Petró, Balázs Harangi
Dátum:	2024
ISSN:	2227-7390
Megjegyzések:	Chest X-ray evaluation is challenging due to its high demand and the complexity of diagnoses. In this study, we propose an optimized deep learning model for the multi-label classification of chest X-ray images. We leverage pretrained convolutional neural networks (CNNs) such as VGG16, ResNet 50, and DenseNet 121, modifying their output layers and fine-tuning the models. Weemploy anovel optimization strategy using the Hyperband algorithm to efficiently search the hyperparameter space while adjusting the fully connected layers of the CNNs. The effectiveness of our approach is evaluated on the basis of the Area Under the Receiver Operating Characteristic Curve (AUC-ROC) metric. Our proposed methodology could assist in automated chest radiograph interpretation, offering a valuable tool that can be used by clinicians in the future.
Tárgyszavak:	idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk chest X-ray multi-label classification convolutional neural networks deep learning Hyperband optimization VGG ResNet DenseNet AUC-ROC
Megjelenés:	Mathematics. - 12 : 6 (2024), p. 806-. -
További szerzők:	Tóth Gábor (1989-) (általános orvos) Petró Mátyás (1985-) (radiológus) Harangi Balázs (1986-) (programtervező matematikus)
Pályázati támogatás:	TKP2021-NKTA-34 Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon: