Determining the highest accuracy among the Convolutional Neural Network architectures: VGG16, ResNet50, or MobileNet for Pneumonia detection in 2023
The Determination of the Best Convolutional Neural Network Architecture: VGG16, ResNet50, or MobileNet for Pneumonia Detection in 2023
Keywords:
Convolutional Neural Network Architectures, MobileNet, ResNet50, VGG16Abstract
Convolutional Neural Networks (CNN) are used for the recognition of X-ray images and other applications. Currently, there are studies comparing the effectiveness of CNN architectures such as VGG16, ResNet50, and MobileNet with different input parameters during training, creating uncertainty among developers of image classification applications. We applied identical inputs for the training of the CNNs under study to address this lack of information. To address this, a Kaggle database consisting of 5856 images was utilized. From this database, a systematic sample of 746 lung X-ray images, both healthy and with pneumonia, was selected. To ensure image normalization, tools like iloveimg and ReNamer were employed. Furthermore, Python was used with Google Colab and various libraries including tensorflow, matplotlib, numpy, os, cv2, and random to execute the different architectures. The methodological design was based on a quantitative approach, utilizing comparison tables and the images acquired from the Kaggle database. The results obtained indicated that the accuracy percentage was 89.83% for VGG16, 91.82% for ResNet50, and 80.21% for MobileNet, leading to the conclusion that ResNet50 is the most accurate architecture in this context.
Downloads
References
L. F. Maldonado y E. O. Moreano, «Diseño y aplicación de redes neuronales convolucionales para el diagnóstico de enfermedades pulmonares, a partir de radiografías de tórax frontal,» 2021.
V. L. Godoy, «Algoritmo de diagnóstico preliminar de neumonía a partir de imágenes radiográficas del tórax,» Lima, 2020.
J. C. Caya, «Evaluación de Modelos de Redes Neuronales Convolucionales aplicado a Radiografías de Tórax, para apoyar al Proceso de Diagnóstico de Neumonía asociada al COVID-19,» Lima, 2020.
V. M. Cabrejos, «Las Redes Neuronales Convolucionales y la mejora en el diagnóstico de Neumonía – área de Radiología,» Lima, 2022.
J. V. Moura Sousa, W. Rosa de Almedia, A. Andrade Saraiva, D. B. Sousa Santos, P. M. Cunha Pimentel, Lopex de s y L. Lopez de Sousa, «Clasificación de imágenes de Neumonía en dispositivos móviles con Red Neuronal Cuantizada,» Brasil, 2020.
P. R y G. A, «Introducción a la inteligencia artificial: sistemas expertos, redes neuronales artificiales y computación evolutiva,» 2001.
G. Dalvinder Singh , «A Critical Conceptual Analysis of Definitions of Artificial Intelligence as Applicable to Computer Engineering,» IOSR Journal of Computer Engineering (IOSR-JCE), vol. 16, nº 2, pp. 9-13, 2014. https://doi.org/10.9790/0661-16210913
A. D. Recuenco Cabrera y W. A. Reyes Alva, «Inteligencia artificial: Camino a un nuevo esquema del mundo,» Trijillo, 2020.
M. A. Boden , «Inteligencia artificial,» España, 2017.
A. Gerón, Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, vol. Segunda , O'reilly, 2019.
I. Goodfellow, Y. Bengio y A. Courville, «Deep Learning».
B. Martin del Brio y C. Serrano Cinca, «Fundamentos de las redes neuronales artificiales: hardware y software,» Zaragoza, 1995. https://doi.org/10.54886/scire.v1i1.1036
L. J. Sandoval, «Algoritmos de aprendizaje automático para análisis y predicción de datos,» 2018.
Neuro, «VGG16 – Convolutional Network for Classification and Detection,» 28 Agosto 2022. [En línea]. Available: https://neurohive.io/en/popular-networks/vgg16/.
A. Gómez, S. Tabik, J. Luengo y F. Herrera, «Redes Neuronales Convolucionales para Una Clasificacion Precisa de Imágenes de Corales. In XVIII Conferencia de la Asociación Española para la Inteligencia Artificial,» 2019.
Abhijeet Pujara, «Image Classification With MobileNet,» medium, 10 12 2022. [En línea]. Available: https://builtin.com/machine-learning/mobilenet.
Á. M. Botero y J. A. Chacon, El proceso diagnóstico, una aproximacion al raciocinio clínico, Caldas: Editorial Universidad de Caldas, 2007.
OMS-Neumonia, «OMS-Neumonia,» 11 Noviembre 2021. [En línea]. Available: https://www.who.int/es/news-room/fact-sheets/detail/pneumonia.
C. J. Álvarez, Neumonías: concepto, clasificación y diagnóstico dife-rencial.
NIH, «National heart, lung, and blood institute,» 04 Agosto 2022. [En línea]. Available: https://www.nhlbi.nih.gov/.
F. Saldías y J. Pavié, «Evaluación de la gravedad en la neumonía del adulto adquirida en la comunidad,» Revista chilena de enfermedades respiratorias, Santiago, 2005. https://doi.org/10.4067/S0716-10182005000400006
N. Urbano Pintos, H. A. Lacomi y M. B. Lovarato, «B-VGG16: Red Neuronal de Convolución cuantizada binariamente para la clasificación de imágenes,» elektron ambar, Argentina, 2022. https://doi.org/10.37537/rev.elektron.6.2.169.2022
K. Simonyan y A. Zisserman, «Very deep convolutional networks for large-scale image recognition,» 2015.
É. Moreno Puig, «Reconocimiento de enfermedades a largo plazo,» 2022.
K. He, X. Zhang, S. Ren y J. Sun, «Deep Residual Learning for Image Recognition,» arXiv, 10 Diciembre 2015. https://doi.org/10.1109/CVPR.2016.90
A. G. Howard, Z. Menglong , C. Bo , K. Dmitry , W. Weijun , W. Tobias , A. Marco y A. Hartwig , «MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,» 2017.
Abhijeet Pujara, «medium,» 10 12 2022. [En línea]. Available: https://medium.com/analytics-vidhya/image-classification-with-mobilenet-cc6fbb2cd470.
P. Sirawan y O. Surinta, «Food Image Classification with Improved MobileNet Architecture and Data Augmentation,» 2020.
E. A. Huerta Mora, V. Gonzales Huitrón, H. Rodriguez Range y L. E. Amabilis Sosa, «Detección de enfermedades foliares con arquitecturas de redes neuronales convolucionales,» RINDERESU, Mexico, 2020.
W. A. Lozada Portilla, M. J. Suarez Barón y E. Avendaño Fernandez, «Aplicación de redes neuronales convolucionales para la detección del tizón tardío Phytophthora infestans en papa Solanum tuberosum,» 2021.
J. C. Valero Gómez, A. P. Zuñiga Incalla y J. C. Clares Perca, «Detección de la tuberculosis con algoritmos de Deep Learning en imágenes de radiografías del tórax,» VIVE, Moquegua, 2021. https://doi.org/10.33996/revistavive.v4i12.119
Kaggle, «Kaggle,» 2023. [En línea]. Available: https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia. [Último acceso: 22 Agosto 2022].
R. Hernández, C. Fernández y M. d. P. Baptista, Metodología de la investigación, 6ta Edición ed., 2000.
Iloveimg, «Iloveimg,» [En línea]. Available: https://www.iloveimg.com/es/redimensionar-imagen#resize-options,pixels. [Último acceso: 07 Julio 2023].
softonic, «softonic,» 23 Mayo 2023. [En línea]. Available: https://renamer-free.softonic.com/. [Último acceso: 07 Julio 2023].
A. Rácz, D. Bajusz y K. Héberger, «Effect of Dataset Size and Train/Test Split Ratios in QSAR/QSPR Multiclass Classification,» 2021. https://doi.org/10.3390/molecules26041111
D. P. Kingma y B. Jimmy , «Adam: A method for stochastic optimization,» arXiv, 22 Diciembre 2014.
A. Quispe A, K. M. Calla V, J. S. Yangali V, J. L. Rodríguez L y I. I. Pumacayo P, «Estadística no paramétrica aplicada a la investigación científica con software SPSS, MINITAB Y EXCEL,» EIDEC, Colombia, 2019.
Downloads
Published
Issue
Section
License
Copyright (c) 2023 C&T Riqchary Science and technology research magazine
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
