Pneumonary - A system that can detect potential pneumonia case from an X-ray image.
Authors
Moshfiq, Muheb ; Das, Diganta
Term
4. term
Publication year
2022
Submitted on
2022-06-01
Pages
79
Abstract
This thesis presents Pneumonary, a machine learning system designed to detect potential pneumonia cases on chest X‑ray images (CXR) to support clinical decision‑making, particularly in settings with limited specialist availability. The guiding research question is how to create a system that assists the health sector in identifying pneumonia via CXR. The work combines a review of relevant literature and methods in image recognition with semi‑structured interviews with medical experts to understand needs, workflows, and use scenarios. Technically, the project specifies requirements and architecture, provides a web‑based interface, and implements and trains deep neural networks to classify images as pneumonia or normal, with a primary focus on ResNet101. In the reported experiments, the model achieved up to 99% accuracy, and the interface allows users to select an image and receive an automated assessment. The results illustrate the potential to speed up and support diagnosis without replacing clinicians, while highlighting the importance of robust data and further validation for real‑world deployment.
Dette speciale præsenterer Pneumonary, et maskinlæringssystem designet til at opdage potentielle lungebetændelsestilfælde på bryst‑røntgenbilleder (CXR) med fokus på at støtte sundhedspersonale, især i ressourcebegrænsede miljøer. Udgangspunktet er forskningsspørgsmålet: hvordan man kan skabe et system, der assisterer sundhedssektoren i at identificere lungebetændelse via CXR. Arbejdet kombinerer litteratur‑ og metodegennemgang af moderne billedgenkendelse med semistrukturerede interviews med kliniske eksperter for at forstå behov, arbejdsgange og anvendelsesscenarier. På den tekniske side er der designet krav, arkitektur og en webbaseret brugergrænseflade, samt implementeret og trænet dybe neurale netværk til klassifikation af røntgenbilleder som pneumoni eller normal, med særlig vægt på ResNet101. I de rapporterede eksperimenter opnåede modellen op til 99% nøjagtighed, og grænsefladen gør det muligt at vælge et billede og få en automatisk vurdering. Projektet demonstrerer potentialet for at accelerere og understøtte diagnostiske beslutninger uden at erstatte klinikere og peger på, at pålidelig data og videre validering er vigtige næste skridt for klinisk anvendelse.
[This apstract has been generated with the help of AI directly from the project full text]