Találati lista | Tudóstér

001-es BibID:	BIBFORM121846
035-os BibID:	(Scopus)85196903551 (WoS)001255881000001
Első szerző:	Katona Tamás (informatikus)
Cím:	Advanced Multi-Label Image Classification Techniques Using Ensemble Methods / Tamás Katona, Gábor Tóth, Mátyás Petró, Balázs Harangi
Dátum:	2024
Megjegyzések:	Chest X-rays are vital in healthcare for diagnosing various conditions due to their low Radiation exposure, widespread availability, and rapid interpretation. However, their interpretation requires specialized expertise, which can limit scalability and delay diagnoses. This study addresses the multi-label classification challenge of chest X-ray images using the Chest X-ray14 dataset. We propose a novel online ensemble technique that differs from previous penalty-based methods by focusing on combining individual model losses with the overall ensemble loss. This approach enhances interaction and feedback among models during training. Our method integrates multiple pre-trained CNNs using strategies like combining CNNs through an additional fully connected layer and employing a label-weighted average for outputs. This multi-layered approach leverages the strengths of each model component, improving classification accuracy and generalization. By focusing solely on image data, our ensemble model addresses the challenges posed by null vectors and diverse pathologies, advancing computer-aided radiology.
Tárgyszavak:	Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk
Megjelenés:	Machine Learning and Knowledge Extraction. - 6 : 2 (2024), p. 1281-1297. -
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:

001-es BibID:	BIBFORM119363
035-os BibID:	(Scopus)85188933767 (WoS)001192704800001
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. 1-16. -
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: