I
AE
S
I
nte
rna
t
io
na
l J
o
urna
l o
f
Art
if
icia
l In
t
ellig
ence
(
I
J
-
AI
)
Vo
l.
8
,
No
.
4
,
Dece
m
b
er
201
9
,
p
p
.
4
29
~
4
3
5
I
SS
N:
2252
-
8938
,
DOI
: 1
0
.
1
1
5
9
1
/i
j
ai.
v
8
.i
4
.
p
p
4
29
-
4
3
5
429
J
o
ur
na
l
ho
m
ep
a
g
e
:
h
ttp
:
//
ija
i
.
ia
es
co
r
e
.
co
m
Ens
e
m
bl
e
de
ep le
a
rning
f
o
r t
u
b
erc
ulo
sis
det
ec
tion u
sing
chest
X
-
Ra
y
and
ca
nny
edge de
tected i
ma
g
es
Ste
f
a
nu
s
K
ieu Ta
o
H
w
a
1
,
M
o
hd
H
a
na
f
i A
h
m
a
d H
ij
a
zi
2
,
Abdu
l
la
h B
a
de
3
,
Ra
za
li Ya
a
k
o
b
4
,
M
o
ha
m
m
a
d
Sa
f
f
re
e
J
ef
f
re
e
5
1
,3
F
a
c
u
lt
y
o
f
S
c
ien
c
e
a
n
d
Na
tu
ra
l
Re
so
u
rc
e
s,
Un
iv
e
rsiti
M
a
lay
sia
S
a
b
a
h
,
M
a
lay
sia
2
F
a
c
u
lt
y
o
f
Co
m
p
u
ti
n
g
a
n
d
In
f
o
r
m
a
ti
c
s,
Un
iv
e
rsiti
M
a
la
y
sia
S
a
b
a
h
,
M
a
lay
sia
4
F
a
c
u
lt
y
o
f
Co
m
p
u
ter S
c
ien
c
e
a
n
d
In
f
o
rm
a
ti
o
n
T
e
c
h
n
o
lo
g
y
,
Un
iv
e
rsiti
P
u
tr
a
M
a
lay
sia
,
M
a
la
y
sia
5
F
a
c
u
lt
y
o
f
M
e
d
icin
e
a
n
d
He
a
lt
h
S
c
ien
c
e
s,
Un
iv
e
rsiti
M
a
lay
si
a
S
a
b
a
h
,
M
a
lay
sia
Art
icle
I
nfo
AB
ST
RAC
T
A
r
ticle
his
to
r
y:
R
ec
eiv
ed
Au
g
1
3
,
2
0
1
9
R
ev
i
s
ed
No
v
5
,
2
0
1
9
A
cc
ep
ted
No
v
2
0
,
2
0
1
9
T
u
b
e
rc
u
lo
sis
(T
B)
is
a
d
ise
a
se
c
a
u
se
d
b
y
M
y
c
o
b
a
c
teriu
m
T
u
b
e
rc
u
lo
sis.
De
tec
ti
o
n
o
f
T
B
a
t
a
n
e
a
rl
y
sta
g
e
re
d
u
c
e
s
m
o
rtalit
y
.
E
a
rl
y
sta
g
e
T
B
is u
su
a
ll
y
d
iag
n
o
se
d
u
sin
g
c
h
e
st
x
-
ra
y
in
sp
e
c
ti
o
n
.
S
i
n
c
e
T
B
a
n
d
lu
n
g
c
a
n
c
e
r
m
i
m
i
c
e
a
c
h
o
th
e
r,
it
is
a
c
h
a
ll
e
n
g
e
f
o
r
th
e
ra
d
io
l
o
g
ist
to
a
v
o
id
m
isd
iag
n
o
sis.
T
h
is
p
a
p
e
r
p
re
se
n
ts
a
n
e
n
se
m
b
le
d
e
e
p
lea
rn
in
g
f
o
r
T
B
d
e
tec
ti
o
n
u
sin
g
c
h
e
st
x
-
ra
y
a
n
d
Ca
n
n
y
e
d
g
e
d
e
tec
ted
i
m
a
g
e
s.
T
h
is
m
e
th
o
d
i
n
tro
d
u
c
e
s
a
n
e
w
t
y
p
e
o
f
f
e
a
tu
re
f
o
r
th
e
T
B
d
e
tec
ti
o
n
c
la
ss
if
iers
,
th
e
re
b
y
in
c
re
a
sin
g
th
e
d
iv
e
rsit
y
o
f
e
rro
rs
o
f
th
e
b
a
se
c
las
si
f
iers
.
T
h
e
f
irst
se
t
o
f
fe
a
tu
re
s
w
e
re
e
x
tra
c
te
d
f
ro
m
th
e
o
rig
in
a
l
x
-
ra
y
i
m
a
g
e
s,
w
h
il
e
th
e
se
c
o
n
d
se
t
o
f
f
e
a
tu
re
s
w
e
r
e
e
x
tra
c
ted
f
ro
m
th
e
e
d
g
e
d
e
tec
ted
im
a
g
e
.
T
o
e
v
a
lu
a
te
th
e
p
r
o
p
o
se
d
a
p
p
ro
a
c
h
,
tw
o
p
u
b
li
c
ly
a
v
a
il
a
b
le
d
a
tas
e
ts
w
e
r
e
u
se
d
.
T
h
e
re
su
lt
s
sh
o
w
th
a
t
th
e
p
r
o
p
o
se
d
e
n
se
m
b
le
m
e
th
o
d
p
ro
d
u
c
e
d
th
e
b
e
st
a
c
c
u
r
a
c
y
o
f
8
9
.
7
7
%
,
se
n
siti
v
it
y
o
f
9
0
.
9
1
%
a
n
d
sp
e
c
if
icit
y
o
f
8
8
.
6
4
%
.
T
h
is
in
d
i
c
a
tes
th
a
t
u
sin
g
d
if
f
e
re
n
t
t
y
p
e
s
o
f
f
e
a
tu
re
s
e
x
trac
ted
f
ro
m
d
iffere
n
t
ty
p
e
s o
f
ima
g
e
s c
a
n
im
p
ro
v
e
th
e
d
e
tec
ti
o
n
ra
te.
K
ey
w
o
r
d
s
:
C
an
n
y
ed
g
e
d
etec
to
r
Dee
p
lear
n
in
g
E
n
s
e
m
b
le
Me
d
ical
i
m
a
g
e
an
al
y
s
i
s
T
u
b
er
cu
lo
s
is
d
etec
tio
n
Co
p
y
rig
h
t
©
2
0
1
9
In
stit
u
te o
f
A
d
v
a
n
c
e
d
E
n
g
i
n
e
e
rin
g
a
n
d
S
c
ien
c
e
.
Al
l
rig
h
ts re
se
rv
e
d
.
C
o
r
r
e
s
p
o
nd
ing
A
uth
o
r
:
Mo
h
d
Han
a
f
i
A
h
m
ad
Hij
az
i,
Facu
lt
y
o
f
C
o
m
p
u
tin
g
a
n
d
I
n
f
o
r
m
at
ics
,
Un
i
v
er
s
iti Ma
la
y
s
ia
Sab
ah
,
J
alan
UM
S,
8
8
4
0
0
K
o
ta
Kin
ab
alu
,
Sab
ah
,
Ma
la
y
s
ia.
E
m
ail:
h
an
a
f
i
@
u
m
s
.
ed
u
.
m
y
1.
I
NT
RO
D
UCT
I
O
N
T
u
b
er
cu
lo
s
is
(
T
B
)
is
o
n
e
o
f
th
e
d
ea
d
lies
t
i
n
f
ec
tio
u
s
d
is
ea
s
es
i
n
t
h
e
w
o
r
ld
.
A
b
ac
te
r
ia
ca
lled
M
y
co
b
ac
ter
iu
m
T
u
b
er
cu
lo
s
is
ca
u
s
e
s
it.
T
B
n
o
t
o
n
ly
attac
k
t
h
e
lu
n
g
s
b
u
t
ca
n
also
i
n
f
ec
t
o
th
er
b
o
d
y
p
ar
ts
li
k
e
b
o
n
es o
r
s
p
in
e.
T
u
b
er
cu
lo
s
i
s
i
s
s
p
r
ea
d
th
r
o
u
g
h
t
h
e
ai
r
,
u
s
u
al
l
y
f
r
o
m
co
u
g
h
s
an
d
s
n
ee
ze
s
b
y
p
eo
p
le
w
it
h
ac
ti
v
e
tu
b
er
cu
lo
s
i
s
d
is
ea
s
e.
Acc
o
r
d
in
g
to
th
e
W
o
r
ld
Hea
lth
Or
g
a
n
izatio
n
,
T
B
is
o
n
e
o
f
th
e
to
p
1
0
ca
u
s
es
o
f
d
ea
th
w
o
r
ld
w
id
e
[
1
]
.
I
n
2
0
1
7
,
1
0
m
i
llio
n
p
eo
p
le
f
ell
ill
w
it
h
T
B
,
a
n
d
1
.
6
m
i
llio
n
d
ied
f
r
o
m
th
e
d
is
ea
s
e.
I
n
Ma
la
y
s
ia,
th
e
ap
p
r
o
x
i
m
atel
y
2
5
1
7
3
ca
s
es
o
f
T
B
ar
e
r
ep
o
r
ted
in
2
0
1
8
.
X
-
r
a
y
s
ca
n
d
etec
t
T
B
to
a
ce
r
tain
ex
te
n
t,
b
u
t
it
ca
n
n
o
t
g
u
ar
an
tee
w
h
et
h
er
t
h
e
p
atien
t
h
as
T
B
o
r
s
o
m
e
o
th
e
r
in
f
ec
tio
n
.
T
B
is
a
cu
r
ab
le
d
i
s
ea
s
e.
He
n
ce
,
ea
r
l
y
d
etec
tio
n
o
f
T
B
is
cr
itical
to
in
cr
ea
s
i
n
g
t
h
e
c
h
an
ce
s
o
f
r
ec
o
v
er
y
[
2
]
.
Ho
w
e
v
er
,
in
Ma
la
y
s
i
a,
th
e
late
d
iag
n
o
s
e
o
f
T
B
,
in
m
o
s
t
ca
s
e
s
,
r
ed
u
ci
n
g
t
h
e
c
h
an
ce
s
o
f
s
u
r
v
i
v
al
[
1
]
.
Fo
r
ce
n
t
u
r
ies,
r
ad
io
lo
g
i
s
t
f
ac
ed
th
e
c
h
alle
n
g
e
o
f
d
if
f
er
e
n
tiati
n
g
tu
b
er
cu
lo
s
is
an
d
lu
n
g
ca
n
ce
r
b
ec
au
s
e
th
e
y
m
i
m
ic
k
ed
ea
ch
o
th
er
[
3
]
.
T
h
e
lack
o
f
p
u
b
licall
y
av
ailab
le
d
atase
ts
al
s
o
m
ak
e
s
it
d
if
f
ic
u
lt
to
p
r
o
v
id
e
m
o
r
e
co
m
p
u
ter
-
aid
ed
d
etec
tio
n
s
y
s
te
m
s
[
4
]
.
T
h
er
e
is
also
a
lack
o
f
r
ad
io
lo
g
y
i
n
ter
p
r
et
atio
n
ex
p
er
tis
e
i
n
T
B
p
r
ev
alen
t
p
lace
s
[
5
]
.
A
s
y
s
te
m
to
s
e
m
i
-
a
u
to
m
a
ticall
y
class
i
f
y
in
g
p
u
l
m
o
n
ar
y
n
o
d
u
le
s
w
it
h
lo
w
f
al
s
e
p
o
s
iti
v
it
y
i
s
th
u
s
co
n
s
id
er
ed
n
ec
e
s
s
ar
y
t
o
h
elp
r
ad
io
lo
g
is
t
s
s
cr
ee
n
s
t
h
e
ch
e
s
t
x
-
r
a
y
i
m
ag
e
s
[
6
]
,
as
m
ed
ical
d
iag
n
o
s
i
s
is
o
n
e
o
f
th
e
m
o
s
t
i
m
p
o
r
ta
n
t
is
s
u
e
s
in
h
ea
l
th
ca
r
e
[
7
]
.
I
m
ag
e
p
r
o
ce
s
s
i
n
g
h
a
s
s
h
o
w
n
p
o
ten
tial
in
tu
b
er
cu
lo
s
is
d
etec
tio
n
.
R
ec
en
t
l
y
,
d
ee
p
lear
n
in
g
h
as
b
ee
n
ap
p
lied
to
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
2
5
2
-
8938
IJ
-
AI
Vo
l.
8
,
No
.
4
,
Dec
em
b
er
20
1
9
:
4
2
9
–
4
3
5
430
an
al
y
ze
f
ea
tu
r
e
s
f
r
o
m
m
ed
ica
l
i
m
a
g
e
s
[
8
]
.
Dee
p
lear
n
i
n
g
a
u
to
m
at
icall
y
g
en
er
ate
s
h
ier
ar
ch
ical
f
ea
t
u
r
es
f
r
o
m
i
m
a
g
es.
T
h
e
f
ea
t
u
r
es
a
t
t
h
e
h
i
g
h
er
lev
el
ar
e
g
en
er
ated
f
r
o
m
th
e
f
ea
t
u
r
es
a
t
t
h
e
lo
w
er
lev
el.
I
t
w
as
s
h
o
w
n
t
h
at
th
e
d
ee
p
lear
n
i
n
g
ab
ilit
y
to
le
ar
n
f
ea
tu
r
es
at
t
h
e
h
i
g
h
er
le
v
e
l
p
r
o
d
u
ce
d
b
etter
class
i
f
icatio
n
r
es
u
lts
[
9
]
.
W
o
r
k
s
o
n
th
e
u
s
ag
e
o
f
d
ee
p
lear
n
in
g
o
n
ch
est
x
-
r
a
y
s
i
m
a
g
es
to
d
etec
t
T
B
h
av
e
b
ee
n
d
o
n
e
b
ef
o
r
e.
I
n
[
1
0
]
,
m
u
lt
i
-
le
v
e
l
i
m
a
g
e
en
h
an
ce
m
e
n
t
w
er
e
p
er
f
o
r
m
ed
o
n
t
h
e
x
-
r
a
y
lu
n
g
i
m
a
g
es.
T
h
e
n
,
a
b
ac
k
p
r
o
p
ag
atio
n
n
eu
r
al
n
et
w
o
r
k
w
as
u
s
ed
to
class
i
f
y
T
B
.
A
co
m
p
letel
y
au
to
m
atic
f
r
o
n
tal
ch
e
s
t
r
ad
io
g
r
ap
h
s
cr
ee
n
i
n
g
s
y
s
te
m
a
b
le
to
d
etec
t
lu
n
g
s
in
f
ec
ted
w
it
h
T
B
w
as
p
r
ese
n
t
ed
[
1
1
]
.
T
h
is
m
et
h
o
d
b
eg
in
s
w
it
h
a
n
atla
s
-
b
ased
lu
n
g
s
e
g
m
en
tatio
n
a
lg
o
r
it
h
m
,
th
en
it
e
x
tr
ac
ts
m
an
u
all
y
s
e
lecte
d
f
ea
tu
r
es
s
u
c
h
as
s
h
a
p
e
an
d
cu
r
v
atu
r
e
d
escr
ip
to
r
h
is
to
g
r
a
m
s
o
r
th
e
eig
en
v
al
u
es
o
f
t
h
e
h
es
s
ia
n
m
atr
ix
.
I
n
th
e
en
d
,
a
class
i
f
ier
is
u
s
ed
to
d
iag
n
o
s
e
th
e
d
i
s
ea
s
e.
I
n
[
1
2
]
,
a
s
i
m
p
le
C
NN
is
u
s
ed
to
p
er
f
o
r
m
th
e
s
a
m
e
tas
k
.
A
n
o
t
h
er
C
NN
-
b
as
ed
m
o
d
el
t
o
class
if
y
d
if
f
er
en
t
ca
teg
o
r
ies
o
f
T
B
m
an
if
e
s
tatio
n
s
w
a
s
d
ev
e
lo
p
ed
in
[
1
3
]
.
First,
r
eg
io
n
p
r
o
p
o
s
als
w
er
e
ex
tr
ac
ted
.
T
h
en
,
g
lo
b
al
an
d
lo
ca
l
f
ea
tu
r
e
s
w
er
e
e
x
tr
ac
ted
.
Af
ter
w
ar
d
,
f
o
r
ea
ch
r
eg
io
n
,
a
C
NN
m
o
d
el
i
s
tr
ain
ed
to
ca
lcu
la
te
t
h
e
n
e
w
f
ea
t
u
r
es
f
o
r
f
u
r
th
er
class
i
f
icatio
n
.
F
in
all
y
,
th
e
S
u
p
p
o
r
t
Vec
to
r
Ma
ch
i
n
e
i
s
a
p
p
lied
f
o
r
f
i
n
al
r
eg
io
n
cla
s
s
if
ic
a
tio
n
an
d
T
B
m
an
if
e
s
tatio
n
s
r
ec
o
g
n
itio
n
.
A
d
ee
p
lear
n
in
g
-
b
ased
a
u
to
m
at
ic
d
etec
tio
n
(
DL
AD)
alg
o
r
it
h
m
w
a
s
d
ev
elo
p
ed
f
o
r
T
B
class
i
f
icatio
n
i
n
[
1
4
]
.
T
h
e
d
ee
p
C
NN
u
s
ed
i
n
t
h
i
s
D
L
A
D
al
g
o
r
ith
m
is
co
m
p
r
is
ed
o
f
2
7
la
y
er
s
w
it
h
1
2
r
esid
u
al
co
n
n
ec
tio
n
s
.
S
ix
d
ata
s
ets
w
er
e
u
s
ed
f
o
r
tr
ain
in
g
a
n
d
test
in
g
.
D
L
AD
s
h
o
w
s
co
n
s
i
s
ten
t
p
er
f
o
r
m
an
ce
in
th
e
d
etec
tio
n
o
f
T
B
o
n
ch
est
x
-
r
a
y
s
,
o
u
tp
er
f
o
r
m
i
n
g
p
h
y
s
ici
an
s
a
n
d
th
o
r
ac
ic
r
ad
io
lo
g
is
ts
.
A
tec
h
n
iq
u
e
w
h
ich
in
cl
u
d
ed
d
em
o
g
r
ap
h
ic
in
f
o
r
m
atio
n
to
i
m
p
r
o
v
e
th
e
C
NN
'
s
p
er
f
o
r
m
a
n
ce
w
as
i
n
tr
o
d
u
ce
d
[
1
5
]
.
A
g
e,
w
ei
g
h
t,
h
eig
h
t,
a
n
d
g
en
d
er
w
er
e
li
s
te
d
as
d
e
m
o
g
r
ap
h
ic
v
ar
iab
les.
R
es
u
lts
s
h
o
w
t
h
at
C
NN
i
n
cl
u
d
in
g
d
e
m
o
g
r
ap
h
ic
v
ar
iab
le
h
a
s
a
h
ig
h
er
A
U
C
s
co
r
e
an
d
g
r
ea
ter
s
e
n
s
i
tiv
it
y
th
en
C
N
N
b
ased
o
n
c
h
est
x
-
r
a
y
s
i
m
ag
e
s
o
n
l
y
.
[
1
6
]
P
er
f
o
r
m
ed
T
B
d
etec
tio
n
u
s
i
n
g
tr
an
s
f
er
lear
n
i
n
g
f
r
o
m
I
m
ag
e
Net
an
d
tr
ain
in
g
o
n
a
d
ataset
o
f
1
0
8
4
8
ch
est
x
-
r
a
y
s
.
I
n
[
1
7
]
,
p
r
e
-
tr
ain
in
g
w
a
s
d
o
n
e
o
n
th
e
NI
H
-
1
4
d
ataset,
an
d
th
e
n
th
e
f
ea
t
u
r
es
lear
n
ed
f
r
o
m
th
e
NI
H
d
ataset
i
s
tr
a
n
s
f
er
r
ed
to
T
B
d
atasets
.
E
x
p
er
i
m
e
n
ts
s
h
o
w
t
h
at
t
h
e
f
ea
t
u
r
es
tr
an
s
f
e
r
r
ed
is
u
s
ef
u
l
f
o
r
id
en
ti
f
y
i
n
g
T
B
.
W
h
en
m
o
r
e
t
h
an
o
n
e
m
o
d
el
is
u
s
ed
to
m
a
k
e
a
p
r
ed
ictio
n
,
th
i
s
is
k
n
o
w
n
as
e
n
s
e
m
b
l
e
lear
n
in
g
.
E
n
s
e
m
b
le
r
ed
u
ce
s
t
h
e
v
ar
ian
ce
o
f
p
r
ed
ictio
n
s
,
th
u
s
p
r
o
v
id
in
g
p
r
ed
ictio
n
s
t
h
at
ar
e
m
o
r
e
ac
cu
r
ate
th
a
n
a
n
y
s
in
g
le
m
o
d
el.
An
e
n
s
e
m
b
le
c
r
ea
ted
b
y
f
ea
t
u
r
e
-
lev
e
l
f
u
s
io
n
o
f
t
h
r
ee
d
ee
p
n
e
u
r
al
n
et
w
o
r
k
m
o
d
el
s
w
a
s
al
s
o
u
s
ed
to
c
lass
if
y
T
B
[
1
8
]
.
T
h
ese
th
r
ee
m
o
d
els
ar
e
R
e
s
Net,
I
n
ce
p
tio
n
-
R
esNet
an
d
Den
s
eNe
t
,
th
u
s
th
e
e
n
s
e
m
b
le
w
a
s
n
a
m
ed
as
R
I
D
n
et
w
o
r
k
.
T
h
e
m
o
d
els
w
er
e
u
s
ed
as
f
ea
t
u
r
e
ex
tr
ac
to
r
s
an
d
SVM
w
a
s
u
s
ed
as
a
class
i
f
ier
.
T
B
class
i
f
icatio
n
w
as
al
s
o
d
o
n
e
u
s
in
g
a
n
o
th
er
e
n
s
e
m
b
le
o
f
th
r
ee
s
ta
n
d
ar
d
ar
ch
itectu
r
e
s
,
n
a
m
el
y
A
le
x
Net
,
Go
o
g
leNe
t
an
d
R
e
s
Net
[
1
9
]
.
E
ac
h
ar
ch
itect
u
r
e
w
a
s
tr
ain
e
d
f
r
o
m
s
cr
atch
,
a
n
d
th
e
y
u
s
e
d
d
if
f
er
en
t
o
p
ti
m
a
l
h
y
p
er
-
p
ar
a
m
eter
v
al
u
es.
T
h
e
ac
cu
r
ac
y
,
s
e
n
s
iti
v
it
y
an
d
s
p
ec
if
icit
y
o
f
th
e
e
n
s
e
m
b
le
ar
e
h
ig
h
er
th
an
w
h
e
n
ea
ch
o
f
th
e
s
ta
n
d
ar
d
ar
ch
itect
u
r
e
w
a
s
u
s
ed
i
n
d
iv
id
u
all
y
.
Fi
n
e
-
tu
n
ed
Alex
Net,
VGG
-
1
6
,
V
GG
-
1
9
,
R
e
s
Net
-
5
0
,
R
esNet
-
1
0
1
an
d
R
e
s
Net
-
5
1
2
w
er
e
u
s
ed
b
y
[
2
0
]
to
class
if
y
T
B
.
An
en
s
e
m
b
le
o
f
t
h
ese
s
i
x
C
NNs
w
as
b
u
ilt.
T
h
e
en
s
e
m
b
le
m
o
d
els
w
er
e
o
b
tain
ed
b
y
u
s
in
g
s
i
m
p
le
li
n
ea
r
av
er
ag
i
n
g
o
f
th
e
p
r
o
b
ab
ilit
y
p
r
ed
ictio
n
s
g
iv
e
n
b
y
th
e
in
d
i
v
id
u
al
m
o
d
el
s
.
P
r
e
-
tr
ain
ed
A
le
x
Net
a
n
d
Go
o
g
L
eNe
t
w
er
e
u
s
ed
to
p
er
f
o
r
m
p
u
l
m
o
n
ar
y
T
B
class
i
f
icatio
n
in
[
2
1
]
,
an
d
th
ey
f
o
u
n
d
th
a
t
h
i
g
h
er
ac
cu
r
ac
y
w
a
s
o
b
tain
ed
w
h
e
n
u
s
in
g
t
h
e
p
r
e
-
tr
ain
ed
m
o
d
el.
L
ater
,
t
h
e
y
e
n
s
e
m
b
led
th
e
s
e
m
o
d
el
s
b
y
u
s
i
n
g
t
h
e
w
ei
g
h
ted
av
er
ag
e
s
o
f
ea
c
h
m
o
d
el
’
s
p
r
o
b
ab
ilit
y
s
co
r
es.
T
h
e
w
o
r
k
p
r
esen
ted
i
n
[
2
2
]
u
s
ed
p
r
e
-
tr
ain
ed
C
NN
class
i
f
ier
s
f
o
r
T
B
d
etec
tio
n
,
w
h
er
e
m
aj
o
r
ity
v
o
tin
g
w
a
s
e
m
p
lo
y
ed
to
en
s
e
m
b
le
t
h
e
g
en
er
ated
class
if
ier
s
.
L
o
p
es
an
d
Valiati
p
r
o
p
o
s
ed
a
B
ag
o
f
C
NN
f
ea
t
u
r
es
t
o
class
i
f
y
T
B
[
2
3
]
w
h
er
e
Go
o
g
L
en
et,
V
g
g
Net,
an
d
R
es
Net
ar
e
u
s
ed
to
ex
tr
ac
t
f
ea
tu
r
es.
T
h
en
,
ea
ch
ch
est
r
ad
io
g
r
ap
h
is
d
i
v
id
ed
in
to
s
u
b
r
eg
io
n
s
,
w
h
o
s
e
s
ize
is
eq
u
al
t
o
th
e
n
et
w
o
r
k
's
i
n
p
u
t
la
y
er
.
E
ac
h
s
u
b
r
eg
io
n
is
a
n
in
s
ta
n
ce
,
o
r
“f
ea
tu
r
e”
,
an
d
ea
ch
r
ad
io
g
r
ap
h
is
a
“
b
a
g
”.
T
h
e
y
th
e
n
cr
ea
te
d
a
B
ag
o
f
Featu
r
es
E
n
s
e
m
b
le
b
y
u
s
i
n
g
a
s
i
m
p
le
s
o
f
t
-
v
o
tin
g
s
c
h
e
m
e.
B
ased
o
n
th
e
liter
at
u
r
e,
d
ee
p
lear
n
in
g
h
as
p
r
o
d
u
ce
d
g
o
o
d
r
esu
lt
s
f
o
r
T
B
d
etec
tio
n
.
A
ll
o
f
th
e
w
o
r
k
s
d
escr
ib
ed
ab
o
v
e
ex
tr
ac
t
f
ea
t
u
r
es
f
r
o
m
th
e
o
r
i
g
i
n
al
x
-
r
a
y
i
m
ag
e
s
o
f
th
e
ch
e
s
t.
Ho
w
e
v
er
,
m
o
s
t
s
tu
d
ie
s
u
s
ed
f
ea
t
u
r
es
t
h
at
w
er
e
au
to
m
atica
l
l
y
e
x
tr
ac
ted
b
y
C
N
N.
On
l
y
a
h
an
d
f
u
l
o
f
s
tu
d
ie
s
f
o
c
u
s
ed
o
n
n
o
n
-
C
NN
-
e
x
tr
ac
ted
f
ea
t
u
r
es.
Dif
f
er
en
t
f
ea
t
u
r
es
s
h
o
u
ld
ex
p
lo
r
ed
b
ec
au
s
e
th
e
f
ea
tu
r
es
u
s
ed
in
f
lu
e
n
ce
s
t
h
e
p
er
f
o
r
m
an
ce
o
f
t
h
e
class
i
f
ier
.
Fo
r
an
en
s
e
m
b
le
o
f
class
i
f
ier
s
to
p
er
f
o
r
m
w
ell,
it
r
eq
u
ir
es
a
d
iv
er
s
it
y
o
f
er
r
o
r
s
[
2
4
]
.
I
n
o
th
er
w
o
r
d
s
,
th
e
e
r
r
o
r
s
o
f
th
e
b
ase
cla
s
s
i
f
i
er
s
s
h
o
u
ld
h
a
v
e
a
lo
w
co
r
r
elatio
n
.
Mo
s
t
o
f
t
h
e
s
t
u
d
ies
o
n
l
y
co
m
b
i
n
e
clas
s
i
f
ie
s
th
at
w
er
e
tr
ain
ed
o
n
s
i
m
ilar
f
ea
tu
r
es.
T
h
is
p
ap
er
p
r
esen
ts
an
en
s
e
m
b
le
d
ee
p
lear
n
in
g
f
o
r
T
B
d
etec
tio
n
u
s
in
g
ch
est
x
-
r
a
y
a
n
d
C
a
n
n
y
ed
g
e
d
etec
ted
i
m
ag
e
s
.
T
h
is
m
et
h
o
d
in
tr
o
d
u
ce
s
a
n
e
w
t
y
p
e
o
f
f
ea
tu
r
e
f
o
r
t
h
e
T
B
d
etec
tio
n
clas
s
i
f
ier
s
,
t
h
er
eb
y
in
cr
ea
s
i
n
g
th
e
d
iv
er
s
i
t
y
o
f
er
r
o
r
s
o
f
th
e
b
ase
clas
s
if
ier
s
.
W
e
co
n
j
ec
tu
r
ed
th
at
u
s
i
n
g
d
if
f
er
en
t
t
y
p
e
o
f
i
m
ag
e
s
an
d
en
s
e
m
b
le
cla
s
s
i
f
ier
s
w
i
l
l
p
r
o
d
u
ce
a
b
etter
T
B
d
etec
ti
o
n
r
ate.
T
h
is
p
ap
er
h
as t
w
o
co
n
tr
ib
u
tio
n
s
as f
o
llo
w
s
:
Gen
er
atio
n
o
f
C
NN
c
lass
if
ier
s
b
ased
o
n
t
w
o
t
y
p
e
s
o
f
i
m
a
g
es
,
w
h
ich
ar
e
t
h
e
o
r
ig
i
n
al
c
h
est
-
x
-
r
a
y
s
a
n
d
th
e
C
an
n
y
ed
g
e
d
etec
ted
ch
est
x
-
r
a
y
s
,
f
o
r
T
B
d
etec
tio
n
.
E
n
s
e
m
b
le
tec
h
n
iq
u
e
t
h
at
u
s
es
av
er
ag
e
p
r
o
b
ab
i
lit
y
s
co
r
es
to
co
m
b
i
n
e
t
h
e
d
i
f
f
er
en
t
clas
s
i
f
ie
r
s
e
m
p
lo
y
ed
in
T
B
d
etec
tio
n
.
Evaluation Warning : The document was created with Spire.PDF for Python.
IJ
-
AI
I
SS
N:
2252
-
8938
E
n
s
emb
le
d
ee
p
lea
r
n
in
g
fo
r
tu
b
ercu
lo
s
is
d
etec
tio
n
u
s
in
g
ch
e
s
t X
-
Ra
y
a
n
d
…
(
S
tefa
n
u
s
K
ieu
Ta
o
Hw
a
)
431
T
h
e
p
r
o
p
o
s
ed
a
p
p
r
o
ac
h
th
at
e
m
p
lo
y
s
e
n
s
e
m
b
le
d
ee
p
lear
n
in
g
a
n
d
C
a
n
n
y
ed
g
e
d
etec
ted
i
m
ag
e
s
t
o
d
etec
t
T
B
is
p
r
esen
ted
in
Sect
i
o
n
2
.
T
h
e
ex
p
er
im
e
n
tal
s
et
u
p
an
d
d
is
cu
s
s
io
n
o
f
r
es
u
lts
ar
e
d
escr
ib
ed
in
Sectio
n
3
.
T
h
e
co
n
clu
s
io
n
is
p
r
ese
n
ted
in
Sectio
n
4
.
2.
T
H
E
P
RO
P
O
SE
D
AP
P
RO
A
CH
I
n
t
h
is
p
ap
er
,
an
ap
p
r
o
ac
h
t
h
at
e
m
p
lo
y
s
e
n
s
e
m
b
le
d
ee
p
lear
n
in
g
co
u
p
led
w
it
h
C
an
n
y
ed
g
e
d
etec
to
r
is
p
r
o
p
o
s
ed
.
I
t
co
n
s
is
t
s
o
f
t
h
r
ee
p
h
ase
s
:
(
i)
i
m
a
g
e
p
r
e
-
p
r
o
ce
s
s
in
g
,
(
ii)
cla
s
s
i
f
ier
g
e
n
er
atio
n
,
an
d
(
iii)
e
n
s
e
m
b
le
class
i
f
icatio
n
.
Fig
u
r
e
1
s
h
o
ws
th
e
i
m
ag
e
p
r
e
-
p
r
o
ce
s
s
in
g
an
d
class
i
f
ier
g
e
n
er
atio
n
p
h
a
s
es.
T
h
e
en
s
e
m
b
le
class
i
f
icatio
n
p
h
ase
i
s
s
h
o
w
n
i
n
Fi
g
u
r
e
2
.
Su
b
-
s
ec
tio
n
s
2
.
1
to
2
.
3
d
escr
ib
es th
e
d
etails o
f
ea
ch
p
h
ase.
Fig
u
r
e
1
.
I
m
a
g
e
p
r
e
-
p
r
o
ce
s
s
i
n
g
an
d
clas
s
i
f
ier
g
e
n
er
atio
n
m
o
d
u
les
Fig
u
r
e
2
.
E
n
s
e
m
b
le
cla
s
s
i
f
icat
io
n
m
o
d
u
le
2
.
1
.
I
m
a
g
e
pre
-
pro
ce
s
s
ing
T
h
e
i
m
ag
e
ac
q
u
ir
ed
w
er
e
f
ir
s
t
p
r
e
-
p
r
o
ce
s
s
ed
to
o
b
tain
an
alter
n
ate
f
o
r
m
o
f
f
ea
t
u
r
e,
n
a
m
el
y
ed
g
e
f
ea
t
u
r
e.
T
h
e
p
r
e
-
p
r
o
ce
s
s
in
g
o
f
t
h
e
i
m
a
g
es
h
a
s
t
w
o
s
ta
g
es.
T
h
e
f
ir
s
t
s
ta
g
e
i
s
t
h
e
i
m
a
g
e
r
esizin
g
.
All
i
m
a
g
es
w
er
e
r
esized
to
2
5
0
x
2
5
0
p
i
x
els.
T
h
is
i
s
to
en
s
u
r
e
all
i
m
ag
e
s
ize
s
ar
e
u
n
if
o
r
m
.
I
t
i
s
al
s
o
d
o
n
e
s
o
th
at
t
h
e
i
m
a
g
e
s
ize
m
atc
h
es
th
e
i
n
p
u
t
s
ize
o
f
t
h
e
C
NN
s
.
T
h
e
s
ec
o
n
d
s
ta
g
e
i
s
C
an
n
y
E
d
g
e
d
etec
tio
n
.
I
n
t
h
is
s
tep
,
t
h
e
i
m
a
g
es
ar
e
p
r
o
ce
s
s
ed
s
u
ch
t
h
at
th
e
y
o
n
l
y
co
n
tain
t
h
e
ed
g
e
s
.
T
h
e
id
ea
w
a
s
th
at
i
m
a
g
es
w
it
h
T
B
m
a
y
h
a
v
e
m
o
r
e
u
n
u
s
u
al
ed
g
es
t
h
at
th
e
n
o
r
m
al
i
m
a
g
es
w
h
ich
co
u
ld
in
c
r
ea
s
e
th
e
d
etec
tio
n
r
ate
o
f
T
B
.
Fig
u
r
e
3
s
h
o
w
s
a
n
ex
a
m
p
le
o
f
an
x
-
r
a
y
i
m
ag
e
b
ef
o
r
e
th
e
p
r
e
-
p
r
o
ce
s
s
in
g
,
a
n
d
Fi
g
u
r
e
4
s
h
o
w
s
th
e
i
m
a
g
e
a
f
ter
th
e
p
r
e
-
p
r
o
ce
s
s
in
g
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
2
5
2
-
8938
IJ
-
AI
Vo
l.
8
,
No
.
4
,
Dec
em
b
er
20
1
9
:
4
2
9
–
4
3
5
432
Fig
u
r
e
3
.
C
h
es
t x
-
r
a
y
i
m
a
g
e
b
ef
o
r
e
p
r
e
-
p
r
o
ce
s
s
in
g
Fig
u
r
e
4
.
C
h
es
t x
-
r
a
y
i
m
a
g
e
af
ter
p
r
e
-
p
r
o
ce
s
s
in
g
2
.
2
.
CNN
cla
s
s
if
ier
g
ener
a
t
i
o
n
I
n
th
is
s
tag
e,
v
ar
io
u
s
C
NN
ar
c
h
itect
u
r
es
co
u
ld
b
e
em
p
lo
y
ed
to
g
en
er
ate
th
e
clas
s
if
ier
s
.
Fo
r
th
e
w
o
r
k
p
r
esen
ted
in
th
i
s
p
ap
er
,
m
o
r
e
th
a
n
o
n
e
C
NN
ar
c
h
itect
u
r
e
s
h
o
u
ld
b
e
u
s
ed
.
E
ac
h
o
f
th
e
s
e
lecte
d
C
N
N
ar
ch
itect
u
r
e
w
il
l
lear
n
f
ea
t
u
r
e
s
f
r
o
m
t
h
e
o
r
ig
in
al
i
m
a
g
e
an
d
th
e
ed
g
e
d
etec
ted
im
a
g
e
in
d
i
v
id
u
all
y
.
Fo
r
ea
ch
C
NN
ar
ch
i
tectu
r
e,
t
w
o
clas
s
if
i
er
s
w
i
ll b
e
g
en
er
ated
f
r
o
m
th
e
o
r
ig
in
al
i
m
a
g
e
an
d
t
h
e
ed
g
e
d
ete
cted
i
m
ag
e.
2
.
3
.
E
ns
e
m
ble
cla
s
s
if
ica
t
io
n
I
n
th
is
p
h
a
s
e,
th
e
clas
s
if
icat
io
n
co
m
m
e
n
ce
s
w
i
th
t
h
e
d
etec
tio
n
o
f
T
B
b
y
an
in
d
i
v
i
d
u
al
C
NN
class
i
f
ier
.
E
n
s
e
m
b
le
cla
s
s
i
f
ica
tio
n
w
a
s
t
h
e
n
co
n
d
u
cted
to
p
r
o
d
u
ce
b
etter
d
etec
tio
n
r
es
u
lt
s
.
T
o
ac
h
iev
e
t
h
is
,
th
e
av
er
ag
e
s
c
o
r
in
g
m
ec
h
a
n
i
s
m
was
e
m
p
lo
y
ed
.
T
o
p
r
ed
ict
th
e
f
in
al
lab
el
o
f
ea
ch
tes
t
i
m
a
g
e
(
T
B
o
r
n
o
n
-
T
B
)
,
th
e
p
r
ed
ictio
n
s
co
r
e
g
en
er
ated
b
y
th
e
in
d
i
v
id
u
al
C
NN
clas
s
i
f
ier
w
a
s
av
er
ag
ed
,
an
d
th
e
r
es
u
lti
n
g
p
r
o
b
ab
ilit
y
s
co
r
e
d
eter
m
in
e
s
th
e
f
i
n
al
lab
el.
2
.
4
.
P
er
f
o
rm
a
nce
m
ea
s
ure
T
o
m
ea
s
u
r
e
th
e
p
er
f
o
r
m
a
n
ce
o
f
th
e
p
r
o
p
o
s
ed
a
p
p
r
o
ac
h
,
th
r
ee
m
etr
ic
s
w
er
e
e
m
p
lo
y
ed
:
th
e
s
en
s
it
iv
i
t
y
,
s
p
ec
if
icit
y
an
d
ac
c
u
r
ac
y
.
Sen
s
iti
v
it
y
i
s
u
s
ed
to
m
ea
s
u
r
e
t
h
e
ab
ilit
y
o
f
th
e
m
o
d
el
to
id
en
tify
p
o
s
i
tiv
e
ca
s
e
s
,
w
h
ile
s
p
ec
if
ic
it
y
m
ea
s
u
r
e
s
h
o
w
w
e
ll
t
h
e
m
o
d
el
to
id
e
n
ti
f
y
n
eg
a
tiv
e
ca
s
es.
T
h
e
o
v
er
all
p
er
f
o
r
m
a
n
ce
o
f
th
e
m
o
d
el
i
s
in
d
icate
d
b
y
th
e
a
cc
u
r
ac
y
.
I
n
o
u
r
ca
s
e,
a
p
o
s
itiv
e
ca
s
e
r
ep
r
esen
ti
n
g
T
B
,
w
h
ile
n
eg
ati
v
e
ca
s
e
r
ep
r
esen
tin
g
n
o
n
-
T
B
.
3.
E
XP
E
R
I
M
E
NT
A
L
SE
T
UP
AND
DIS
CUSS
I
O
N
O
F
RE
SUL
T
S
T
h
is
s
ec
tio
n
d
escr
ib
es
t
h
e
d
at
aset
u
s
ed
to
e
v
alu
a
te
t
h
e
p
r
o
p
o
s
ed
w
o
r
k
,
th
e
e
x
p
er
i
m
en
t
s
c
o
n
d
u
cted
,
an
d
th
e
d
is
c
u
s
s
io
n
s
o
f
r
esu
lts
.
3
.
1
.
T
he
da
t
a
s
et
T
o
ev
alu
ate
t
h
e
w
o
r
k
p
r
esen
te
d
in
th
i
s
p
ap
er
,
tw
o
p
u
b
lic
c
h
e
s
t
x
-
r
a
y
i
m
a
g
es
d
ataset
s
ar
e
u
s
ed
,
w
h
ic
h
ar
e
Mo
n
tg
o
m
er
y
a
n
d
Sh
e
n
z
h
en
d
atasets
[
2
5
]
.
T
h
e
Mo
n
tg
o
m
er
y
d
ataset
h
as
a
to
tal
o
f
1
3
8
im
a
g
es,
w
h
ic
h
co
n
s
is
ts
o
f
8
0
n
o
r
m
al
l
u
n
g
i
m
ag
e
s
an
d
5
8
i
m
a
g
es
o
f
T
B
.
T
h
e
s
ize
o
f
th
e
ch
es
t
x
-
r
a
y
i
s
eith
er
4
0
2
0
×4
8
9
2
p
ix
els
o
r
4
8
9
2
×
4
0
2
0
p
ix
els
in
P
o
r
tab
le
Net
w
o
r
k
Gr
ap
h
ics
(
P
NG)
f
o
r
m
at.
T
h
e
Sh
e
n
zh
e
n
d
ataset
h
a
s
a
to
tal
o
f
6
6
2
im
a
g
es,
w
h
ic
h
co
n
s
is
t
s
o
f
3
2
6
n
o
r
m
a
l
lu
n
g
i
m
a
g
es
an
d
3
3
6
T
B
im
a
g
es.
T
h
e
s
iz
e
o
f
th
e
i
m
a
g
es
is
ap
p
r
o
x
im
a
tel
y
3
0
0
0
×3
0
0
0
p
ix
els,
also
i
n
P
NG
f
o
r
m
at.
T
h
e
t
o
tal
n
u
m
b
er
o
f
h
ea
lt
h
y
l
u
n
g
i
m
ag
e
s
i
s
4
0
6
,
w
h
ile
th
e
to
tal
n
u
m
b
er
o
f
T
B
in
f
ec
te
d
lu
n
g
i
m
a
g
es
is
3
9
4
.
I
n
o
r
d
er
to
ac
h
ie
v
e
a
b
ala
n
ce
d
d
ataset,
1
2
n
o
r
m
al
i
m
a
g
es
w
er
e
r
a
n
d
o
m
l
y
o
m
itted
,
s
u
c
h
th
at
t
h
er
e
is
a
n
eq
u
al
n
u
m
b
er
o
f
s
a
m
p
le
s
i
n
ea
c
h
cla
s
s
.
Fro
m
t
h
e
s
elec
ted
i
m
a
g
es,
9
0
%
o
f
t
h
e
m
w
er
e
u
s
ed
f
o
r
tr
ain
i
n
g
an
d
1
0
%
f
o
r
te
s
tin
g
.
T
h
e
tr
ai
n
-
test
s
p
lit
r
atio
s
elec
ted
is
s
i
m
ilar
to
th
e
w
o
r
k
p
r
esen
ted
in
[
2
6
]
an
d
[
1
8
]
.
T
en
-
cr
o
s
s
v
alid
atio
n
(
T
C
V)
w
a
s
u
s
ed
to
v
alid
ate
th
e
tr
ain
in
g
d
ata.
3
.
2
.
E
x
peri
m
ent
a
l
s
et
up
T
o
m
ea
s
u
r
e
th
e
p
er
f
o
r
m
a
n
ce
o
f
t
h
e
p
r
o
p
o
s
ed
ap
p
r
o
ac
h
,
tw
o
s
ets
o
f
e
x
p
er
i
m
e
n
ts
w
er
e
co
n
d
u
cted
.
T
h
e
f
ir
s
t
w
a
s
to
ev
a
lu
ate
th
e
p
er
f
o
r
m
a
n
ce
o
f
f
ea
tu
r
e
s
ex
tr
a
cted
f
r
o
m
t
h
e
o
r
ig
i
n
al
a
n
d
ed
g
e
d
etec
ted
i
m
ag
e
s
f
o
r
T
B
d
etec
tio
n
.
T
h
ese
f
ea
t
u
r
es
w
er
e
u
s
ed
to
g
en
er
ate
C
N
N
b
ased
class
if
ier
s
,
w
h
er
eb
y
t
h
e
s
e
clas
s
i
f
ier
s
w
er
e
th
en
u
s
ed
to
d
etec
t
T
B
ca
s
es.
T
h
e
s
ec
o
n
d
ex
p
er
i
m
e
n
t
w
a
s
co
n
d
u
cted
to
co
m
p
ar
e
th
e
p
er
f
o
r
m
an
ce
o
f
t
h
e
en
s
e
m
b
le
o
f
clas
s
i
f
ier
s
u
s
ed
i
n
e
x
p
er
i
m
e
n
t
1
w
i
t
h
in
d
i
v
id
u
al
class
if
ier
s
.
C
o
n
ce
r
n
i
n
g
t
h
e
w
o
r
k
p
r
esen
ted
i
n
Evaluation Warning : The document was created with Spire.PDF for Python.
IJ
-
AI
I
SS
N:
2252
-
8938
E
n
s
emb
le
d
ee
p
lea
r
n
in
g
fo
r
tu
b
ercu
lo
s
is
d
etec
tio
n
u
s
in
g
ch
e
s
t X
-
Ra
y
a
n
d
…
(
S
tefa
n
u
s
K
ieu
Ta
o
Hw
a
)
433
th
is
p
ap
er
,
th
e
Ker
as
i
m
p
le
m
en
tatio
n
o
f
I
n
ce
p
tio
n
V3
a
n
d
VGG1
6
w
er
e
u
s
ed
.
B
o
th
ar
c
h
itect
u
r
es
w
er
e
p
r
e
-
tr
ain
ed
u
s
i
n
g
th
e
I
m
a
g
eNe
t d
ataset.
3
.
3
.
E
x
peri
m
ent
a
l
re
s
u
lt
s
T
h
e
r
esu
lts
o
f
t
h
e
s
et
s
o
f
t
h
e
e
x
p
er
i
m
e
n
t
d
escr
ib
ed
ab
o
v
e
ar
e
p
r
esen
ted
in
Su
b
-
s
ec
tio
n
3
.
3
.
1
an
d
3
.
3
.
2
r
esp
ec
tiv
el
y
.
3
.
3
.
1.
P
er
f
o
rm
a
nce
o
f
diff
er
ent
s
et
o
f
i
m
a
g
es a
nd
CNN
a
r
chit
ec
t
ures
t
o
det
ec
t
TB
I
n
t
h
is
s
et
o
f
ex
p
er
i
m
e
n
t,
t
h
e
i
m
ag
e
s
w
er
e
clas
s
i
f
ied
as
eit
h
e
r
T
B
o
r
n
o
n
-
T
B
.
Fo
r
ea
ch
s
et
o
f
i
m
a
g
e
s
an
d
C
NN
ar
c
h
itect
u
r
e,
th
e
le
ar
n
in
g
r
ate
an
d
ep
o
ch
w
er
e
s
et
to
0
.
0
0
0
1
an
d
2
0
0
0
,
r
esp
ec
tiv
el
y
.
T
h
e
av
er
ag
e
v
alid
atio
n
r
es
u
lt
s
,
p
r
o
d
u
ce
d
b
y
t
h
e
tr
ai
n
in
g
d
ata,
ar
e
s
h
o
w
n
i
n
T
ab
le
1
.
T
C
V
w
as
u
s
ed
to
v
alid
ate
th
e
g
en
er
ated
cla
s
s
i
f
ier
s
.
T
h
e
b
est
d
etec
tio
n
r
ate
w
as
o
b
tain
ed
w
h
en
ap
p
l
y
i
n
g
VGG1
6
o
n
th
e
o
r
ig
i
n
al
x
-
r
a
y
i
m
ag
e
s
.
T
h
e
g
en
er
ated
c
lass
i
f
ier
s
w
er
e
s
u
b
s
eq
u
e
n
tl
y
te
s
ted
u
s
i
n
g
th
e
te
s
t d
ata.
T
ab
le
2
s
h
o
w
s
t
h
e
r
es
u
lts
o
f
t
h
e
e
x
p
er
i
m
e
n
ts
.
VGG1
6
o
b
tain
ed
t
h
e
b
est
s
e
n
s
it
iv
i
t
y
o
n
t
h
e
o
r
i
g
in
a
l
d
ataset
an
d
a
ls
o
s
p
ec
if
ici
t
y
o
n
t
h
e
ed
g
e
d
ataset.
VGG1
6
o
n
b
o
t
h
s
et
s
o
f
i
m
a
g
es
r
ec
o
r
d
ed
th
e
s
a
m
e
ac
c
u
r
ac
y
.
B
etter
d
ete
ctio
n
r
es
u
lts
w
er
e
r
ec
o
r
d
e
d
o
n
th
e
test
d
ata.
T
ab
le
1
.
Vali
d
atio
n
r
esu
lt o
f
C
NN
A
r
c
h
itect
u
r
es to
T
B
Dete
c
tio
n
o
n
o
r
ig
i
n
al
an
d
ed
g
e
d
ata
s
et
I
mag
e
t
y
p
e
C
N
N
A
r
c
h
i
t
e
c
t
u
r
e
S
e
n
si
t
i
v
i
t
y
(
%)
S
p
e
c
i
f
i
c
i
t
y
(
%)
A
c
c
u
r
a
c
y
(
%)
O
r
i
g
i
n
a
l
V
G
G
1
6
8
5
.
4
3
9
0
.
0
0
8
7
.
7
1
I
n
c
e
p
t
i
o
n
V
3
8
3
.
1
4
8
4
.
0
0
8
3
.
5
7
Ed
g
e
d
e
t
e
c
t
e
d
V
G
G
1
6
8
0
.
5
7
8
4
.
8
6
8
2
.
7
2
I
n
c
e
p
t
i
o
n
V
3
7
6
.
8
6
8
1
.
4
3
7
9
.
1
4
T
ab
le
2
.
P
er
f
o
r
m
a
n
ce
o
f
Di
f
f
e
r
en
t CNN
A
r
c
h
itect
u
r
es to
T
B
Dete
ctio
n
o
n
o
r
ig
i
n
al
a
n
d
ed
g
e
d
ataset
I
mag
e
t
y
p
e
C
N
N
A
r
c
h
i
t
e
c
t
u
r
e
S
e
n
si
t
i
v
i
t
y
(
%)
S
p
e
c
i
f
i
c
i
t
y
(
%)
A
c
c
u
r
a
c
y
(
%)
O
r
i
g
i
n
a
l
V
G
G
1
6
8
6
.
3
6
9
0
.
9
1
8
8
.
6
4
I
n
c
e
p
t
i
o
n
V
3
7
7
.
2
7
8
1
.
8
2
7
9
.
5
5
Ed
g
e
d
e
t
e
c
t
e
d
V
G
G
1
6
8
4
.
0
9
9
3
.
1
8
8
8
.
6
4
I
n
c
e
p
t
i
o
n
V
3
7
7
.
2
7
7
5
.
0
0
7
6
.
1
4
3
.
3
.
2
.
P
er
f
o
rm
a
nce
o
f
ens
e
mb
le
cla
s
s
if
iers
t
o
T
B
det
ec
t
io
n
Fo
r
th
e
s
ec
o
n
d
s
et
o
f
ex
p
er
i
m
en
ts
,
t
h
e
in
d
i
v
id
u
al
C
NN
cl
ass
i
f
ier
s
w
er
e
en
s
e
m
b
led
to
p
er
f
o
r
m
t
h
e
class
i
f
icatio
n
.
A
ll
th
e
p
o
s
s
ib
le
co
m
b
in
atio
n
s
w
er
e
r
ec
o
r
d
ed
.
T
ab
le
3
s
h
o
w
s
th
e
r
e
s
u
l
ts
o
b
ta
in
ed
w
h
en
ap
p
lied
to
th
e
test
d
ata.
(
A
d
en
o
tes
VGG1
6
tr
ain
ed
o
n
th
e
o
r
ig
in
al
d
ataset,
B
d
en
o
tes
VGG1
6
tr
ai
n
ed
o
n
ed
g
e
d
ataset,
C
d
en
o
tes I
n
ce
p
tio
n
V3
tr
ain
ed
o
n
t
h
e
o
r
ig
i
n
al
d
ataset,
D
d
en
o
tes I
n
ce
p
tio
n
V3
tr
ain
ed
o
n
e
d
g
e
d
ataset)
T
ab
le
3
.
T
h
e
p
er
f
o
r
m
an
ce
o
f
en
s
e
m
b
le
C
N
N
f
o
r
T
B
d
etec
tio
n
C
N
N
c
l
a
ssi
f
i
e
r
S
e
n
si
t
i
v
i
t
y
(
%)
S
p
e
c
i
f
i
c
i
t
y
(
%)
A
c
c
u
r
a
c
y
(
%)
AB
8
8
.
6
4
9
3
.
1
8
9
0
.
9
1
AC
AD
BC
BD
CD
A
B
C
A
B
D
A
C
D
BCD
A
B
C
D
8
6
.
3
6
8
4
.
0
9
8
4
.
0
9
8
1
.
8
2
8
1
.
8
2
8
8
.
6
4
8
4
.
0
9
8
6
.
3
6
7
9
.
5
5
9
0
.
9
1
8
6
.
3
6
8
4
.
0
9
8
6
.
3
6
8
4
.
0
9
8
4
.
0
9
9
5
.
4
5
9
0
.
9
1
8
6
.
3
6
8
6
.
3
6
8
8
.
6
4
8
6
.
3
6
8
4
.
0
9
8
5
.
2
3
8
2
.
9
5
8
2
.
9
5
9
2
.
0
5
8
7
.
5
0
8
6
.
3
6
8
2
.
9
5
8
9
.
7
7
3
.
4
.
Ana
ly
s
is
o
f
re
s
ults
B
ased
o
n
th
e
r
esu
lt
s
s
h
o
w
n
i
n
T
ab
les
1
an
d
2
,
it
is
o
b
s
er
v
ed
th
at
VGG1
6
p
er
f
o
r
m
s
th
e
b
est
w
h
e
n
ap
p
lied
to
th
e
o
r
ig
in
a
l
x
-
r
a
y
i
m
ag
e
s
.
T
h
e
clas
s
i
f
ier
s
p
r
o
d
u
ce
d
b
etter
r
esu
lts
w
h
e
n
ap
p
lied
to
th
e
te
s
t
d
ata
a
s
s
h
o
w
n
i
n
T
ab
le
2
.
W
h
e
n
ap
p
l
ied
in
d
i
v
id
u
all
y
,
I
n
ce
p
tio
n
V3
d
o
es
n
o
t
p
er
f
o
r
m
w
el
l.
I
t
is
o
b
s
er
v
ed
th
a
t
all
t
h
e
en
s
e
m
b
le
co
m
b
in
a
tio
n
p
r
o
d
u
ce
s
b
etter
ac
cu
r
ac
y
th
a
n
an
y
i
n
d
iv
id
u
al
I
n
ce
p
tio
n
V3
cla
s
s
i
f
ier
.
A
ls
o
,
th
er
e
ar
e
th
r
ee
en
s
e
m
b
le
co
m
b
in
a
tio
n
p
r
o
d
u
ce
d
b
etter
ac
cu
r
ac
y
t
h
an
an
y
i
n
d
i
v
id
u
al
VGG1
6
class
i
f
ier
.
T
h
ese
th
r
ee
co
m
b
i
n
atio
n
s
ar
e
A
B
,
A
B
C
an
d
A
B
C
D.
T
h
e
en
s
e
m
b
le
c
o
m
b
i
n
atio
n
t
h
at
p
r
o
d
u
ce
s
t
h
e
h
i
g
h
e
s
t
ac
c
u
r
ac
y
i
s
A
B
C
,
at
9
2
.
0
5
%,
w
ith
s
e
n
s
iti
v
it
y
an
d
s
p
ec
i
f
icit
y
o
f
8
8
.
6
4
% a
n
d
9
5
.
4
5
% r
esp
ec
tiv
el
y
.
Ho
w
e
v
er
,
th
e
en
s
e
m
b
le
th
at
p
r
o
d
u
ce
s
t
h
e
h
ig
h
e
s
t
s
e
n
s
it
iv
i
t
y
is
A
B
C
D,
at
9
0
.
9
1
%,
w
it
h
s
p
ec
if
ic
it
y
a
n
d
ac
cu
r
ac
y
o
f
8
8
.
6
4
%
an
d
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
2
5
2
-
8938
IJ
-
AI
Vo
l.
8
,
No
.
4
,
Dec
em
b
er
20
1
9
:
4
2
9
–
4
3
5
434
8
9
.
7
7
%
r
esp
ec
tiv
el
y
.
Se
n
s
iti
v
i
t
y
is
co
n
s
id
er
ed
p
er
tin
en
t
i
n
m
ed
ical
i
m
ag
e
an
a
l
y
s
is
as
w
e
wan
t
to
r
ed
u
ce
f
alse
n
eg
at
iv
e
s
.
T
h
e
ex
p
er
i
m
e
n
ts
al
s
o
s
h
o
w
t
h
at
b
y
u
s
i
n
g
m
o
r
e
t
h
an
o
n
e
t
y
p
e
o
f
i
m
ag
e
s
,
a
b
et
ter
d
etec
tio
n
r
ate
ca
n
b
e
ac
h
iev
ed
.
B
ased
o
n
th
is
r
es
u
lt,
it
s
h
o
w
s
t
h
at
u
s
i
n
g
f
ea
t
u
r
e
s
au
to
m
atica
ll
y
ex
tr
ac
ted
f
r
o
m
a
d
if
f
er
en
t
t
y
p
e
o
f
i
m
a
g
es p
r
o
d
u
ce
b
etter
T
B
d
ete
ctio
n
.
4.
CO
NCLU
SI
O
N
An
ap
p
r
o
ac
h
to
d
etec
t
T
B
u
s
in
g
an
e
n
s
e
m
b
le
o
f
C
NN
a
r
ch
itect
u
r
e
o
n
d
if
f
er
en
t
t
y
p
e
o
f
i
m
a
g
e
s
f
ea
t
u
r
es,
e
x
tr
ac
ted
f
r
o
m
t
h
e
o
r
ig
i
n
al
i
m
a
g
e
a
n
d
C
an
n
y
ed
g
e
d
etec
ted
i
m
a
g
e,
i
s
p
r
ese
n
ted
.
T
w
o
d
i
f
f
er
en
t
C
N
N
ar
ch
itect
u
r
es
w
er
e
e
m
p
lo
y
ed
,
n
a
m
el
y
VGG
1
6
an
d
I
n
ce
p
tio
n
V3
.
T
h
e
r
esu
lts
o
b
tain
ed
s
h
o
w
s
th
at,
t
h
e
u
tili
za
t
io
n
o
f
en
s
e
m
b
le
cla
s
s
if
ier
s
u
s
i
n
g
av
er
ag
ed
p
r
o
b
a
b
ilit
y
d
ec
is
io
n
an
d
v
ar
iat
io
n
o
f
f
ea
tu
r
es
u
s
ed
,
p
r
o
d
u
ce
d
b
etter
T
B
d
etec
tio
n
p
er
f
o
r
m
a
n
ce
.
T
h
is
i
n
d
icate
s
th
at
u
s
i
n
g
d
if
f
er
e
n
t t
y
p
e
s
o
f
f
ea
t
u
r
es e
x
tr
ac
ted
f
r
o
m
d
if
f
er
e
n
t
t
y
p
es
o
f
i
m
a
g
es
ca
n
i
m
p
r
o
v
e
th
e
d
etec
tio
n
r
ate.
Fu
t
u
r
e
w
o
r
k
m
a
y
f
o
cu
s
o
n
o
th
er
t
y
p
e
s
o
f
f
ea
t
u
r
es
to
f
u
r
t
h
er
i
m
p
r
o
v
e
t
h
e
d
etec
tio
n
r
ate
an
d
r
ed
u
ci
n
g
t
h
e
p
r
o
ce
s
s
i
n
g
ti
m
e.
W
e
al
s
o
w
o
u
ld
e
x
ten
d
th
e
s
co
p
e
to
class
i
f
y
th
e
T
B
b
ased
o
n
th
e
s
ev
er
it
y
.
ACK
NO
WL
E
D
G
E
M
E
NT
S
Un
i
v
er
s
iti
Ma
la
y
s
ia
Sab
ah
s
u
p
p
o
r
ts
th
is
w
o
r
k
th
r
o
u
g
h
a
g
r
an
t
S
DK0
0
1
8
-
2
0
1
7
an
d
Kn
o
w
led
g
e
T
ec
h
n
o
lo
g
y
R
e
s
ea
r
ch
U
n
it,
U
MS.
RE
F
E
R
E
NC
E
S
[1
]
W
o
rld
He
a
lt
h
Org
a
n
isa
ti
o
n
,
Glo
b
a
l
He
a
lt
h
T
B
Rep
o
rt
.
2
0
1
8
.
[2
]
A
.
Y
a
h
iao
u
i
e
t
a
l.
,
“
A
n
e
w
m
e
th
o
d
o
f
a
u
to
m
a
ti
c
re
c
o
g
n
it
io
n
f
o
r
tu
b
e
rc
u
lo
sis
d
ise
a
se
d
iag
n
o
sis
u
sin
g
su
p
p
o
rt
v
e
c
to
r
m
a
c
h
in
e
s”
,
Bi
o
me
d
.
Res
.
,
v
o
l.
2
8
,
n
o
.
9
,
p
p
.
4
2
0
8
–
4
2
1
2
,
2
0
1
7
.
[3
]
I.
Ha
m
m
e
n
,
“
T
u
b
e
rc
u
lo
sis m
i
m
ic
k
in
g
lu
n
g
c
a
n
c
e
r,
”
Res
p
ira
t
o
ry
M
e
d
icin
e
Ca
se
Rep
o
rts,
v
o
l.
1
6
,
p
p
.
45
–
4
7
,
2
0
1
5
.
[4
]
J.
M
o
n
si
e
t
a
l.
,
“
X
RA
Y
A
I:
L
u
n
g
Dise
a
se
P
re
d
icti
o
n
Us
in
g
M
a
c
h
i
n
e
L
e
a
rn
in
g
,
”
In
t.
J
.
In
f.
S
y
st.
C
o
mp
u
t.
S
c
i.
,
v
o
l.
8
,
n
o
.
2
,
p
p
.
5
1
–
5
4
,
2
0
1
9
.
[5
]
J.
M
e
len
d
e
z
e
t
a
l.
,
“
A
n
a
u
to
m
a
te
d
tu
b
e
rc
u
lo
sis sc
re
e
n
in
g
stra
teg
y
c
o
m
b
in
in
g
X
-
ra
y
-
b
a
se
d
c
o
m
p
u
ter
-
a
id
e
d
d
e
tec
ti
o
n
a
n
d
c
li
n
ica
l
in
f
o
rm
a
ti
o
n
,
”
S
c
ien
ti
f
ic R
e
p
o
rts
,
v
o
l
.
6
,
n
o
.
1
,
2
0
1
6
[6
]
K.
C.
S
ian
g
e
t
a
l.
,
“
A
Re
v
ie
w
o
f
L
u
n
g
Ca
n
c
e
r
Re
se
a
r
c
h
in
M
a
lay
si
a
,
”
M
e
d
.
J
.
M
a
la
y
sia
,
v
o
l.
7
1
,
p
p
.
7
0
–
7
8
,
2
0
1
6
.
[7
]
N.
W
a
li
a
e
t
a
l
.
,
"
Ef
f
e
c
ti
v
e
A
n
a
l
y
sis
o
f
L
u
n
g
In
f
e
c
ti
o
n
u
sin
g
F
u
z
z
y
Ru
les
"
,
IAE
S
I
n
ter
n
a
ti
o
n
a
l
J
o
u
rn
a
l
o
f
Art
if
icia
l
In
telli
g
e
n
c
e
(
IJ
-
AI)
,
v
o
l.
5
,
n
o
.
2
,
p
p
.
5
5
-
6
3
,
2
0
1
6
[8
]
G
.
L
it
jen
s
e
t
a
l
.
,
"
A
su
rv
e
y
o
n
d
e
e
p
lea
rn
in
g
i
n
m
e
d
ica
l
ima
g
e
a
n
a
ly
sis"
,
M
e
d
ica
l
Ima
g
e
An
a
lys
is
,
v
o
l.
4
2
,
p
p
.
6
0
-
8
8
,
2
0
1
7
.
[9
]
S
.
S
.
M
e
ra
j
e
t
a
l.
,
“
A
rti
f
icia
l
In
telli
g
e
n
c
e
in
Dia
g
n
o
sin
g
T
u
b
e
rc
u
lo
sis :
A
Re
v
ie
w
,
”
In
t.
J
o
u
rn
a
l
o
n
Ad
v
a
n
c
e
d
S
c
i
.
,
En
g
.
a
n
d
I
n
f
o
rm
.
T
e
c
h
n
o
l
o
g
y
,
v
o
l
.
9
,
n
o
.
1
,
p
p
.
8
1
-
9
1
,
2
0
1
9
.
[1
0
]
C.
V
e
t
a
l
.
,
“
M
u
lt
i
-
lev
e
l
Im
a
g
e
E
n
h
a
n
c
e
m
e
n
t
f
o
r
P
u
lm
o
n
a
ry
T
u
b
e
rc
u
lo
sis
A
n
a
l
y
sis,”
In
t.
J
.
S
c
i.
Ap
p
l.
In
f.
T
e
c
h
n
o
l.
,
v
o
l.
1
,
n
o
.
4
,
p
p
.
1
0
2
–
1
0
6
,
2
0
1
2
.
[1
1
]
S
.
V
a
jd
a
e
t
a
l.
,
"
F
e
a
tu
re
S
e
lec
ti
o
n
f
o
r
A
u
to
m
a
ti
c
T
u
b
e
rc
u
lo
sis
S
c
re
e
n
in
g
in
F
ro
n
tal
Ch
e
st
Ra
d
io
g
ra
p
h
s"
,
J
o
u
r
n
a
l
o
f
M
e
d
ica
l
S
y
ste
ms
,
v
o
l.
4
2
,
n
o
.
8
,
2
0
1
8
.
[1
2
]
F
.
P
a
sa
e
t
a
l
.
,
"
Ef
f
icie
n
t
De
e
p
Ne
tw
o
rk
A
rc
h
it
e
c
tu
re
s
f
o
r
F
a
st
Ch
e
st
X
-
Ra
y
T
u
b
e
rc
u
lo
sis
S
c
re
e
n
in
g
a
n
d
V
isu
a
li
z
a
ti
o
n
"
,
S
c
ie
n
ti
fi
c
Re
p
o
rts
,
v
o
l.
9
,
n
o
.
1
,
2
0
1
9
.
[1
3
]
Y.
Ca
o
e
t
a
l
.
,
"
I
m
p
ro
v
in
g
T
u
b
e
rc
u
lo
sis
Dia
g
n
o
stics
Us
in
g
De
e
p
Lea
rn
in
g
a
n
d
M
o
b
i
le
He
a
lt
h
Tec
h
n
o
l
o
g
ies
a
m
o
n
g
Re
so
u
rc
e
-
P
o
o
r
a
n
d
M
a
rg
in
a
li
z
e
d
Co
m
m
u
n
it
ies
,
"
2
0
1
6
IEE
E
1
s
t
In
t.
Co
n
f
.
Co
n
n
e
c
ted
He
a
lt
h
:
Ap
p
li
c
a
t
io
n
s,
S
y
ste
ms
a
n
d
En
g
.
T
e
c
h
n
o
lo
g
ies
(CHAS
E)
,
W
a
sh
in
g
to
n
,
DC,
2
0
1
6
,
p
p
.
2
7
4
-
2
8
1
.
[1
4
]
E.
Hw
a
n
g
e
t
a
l.
,
"
D
e
v
e
lo
p
m
e
n
t
a
n
d
V
a
li
d
a
ti
o
n
o
f
a
D
e
e
p
L
e
a
r
n
in
g
–
b
a
se
d
A
u
to
m
a
ti
c
De
te
c
ti
o
n
A
l
g
o
rit
h
m
f
o
r
A
c
ti
v
e
P
u
lm
o
n
a
r
y
T
u
b
e
rc
u
lo
sis
o
n
Ch
e
st
Ra
d
io
g
ra
p
h
s"
,
Cli
n
ica
l
In
fec
ti
o
u
s
Dise
a
se
s
,
v
o
l.
6
9
,
n
o
.
5
,
p
p
.
7
3
9
-
7
4
7
,
2
0
1
8
.
[1
5
]
S
.
He
o
e
t
a
l
.
,
“
De
e
p
L
e
a
rn
in
g
A
lg
o
rit
h
m
s
w
it
h
De
m
o
g
ra
p
h
ic
In
f
o
rm
a
ti
o
n
He
lp
t
o
De
tec
t
T
u
b
e
rc
u
lo
sis
in
C
h
e
st
Ra
d
io
g
ra
p
h
s i
n
A
n
n
u
a
l
W
o
rk
e
rs ’
He
a
lt
h
Ex
a
m
in
a
ti
o
n
Da
ta,”
In
t.
J
.
En
v
iro
n
.
Res
.
Pu
b
li
c
He
a
lt
h
,
v
o
l
.
1
6
,
2
0
1
9
.
[1
6
]
S
.
He
o
e
t
a
l.
,
"
De
e
p
L
e
a
rn
in
g
Alg
o
rit
h
m
s
w
it
h
De
m
o
g
ra
p
h
ic
In
fo
rm
a
ti
o
n
He
lp
t
o
De
tec
t
T
u
b
e
rc
u
lo
sis
i
n
C
h
e
st
Ra
d
io
g
ra
p
h
s
i
n
A
n
n
u
.
W
o
rk
e
rs’
He
a
lt
h
Ex
a
m
in
a
ti
o
n
Da
ta"
,
In
t.
J
o
u
rn
a
l
o
f
E
n
v
iro
n
me
n
ta
l
Res
e
a
rc
h
a
n
d
Pu
b
li
c
He
a
lt
h
,
v
o
l.
1
6
,
n
o
.
2
,
p
.
2
5
0
,
2
0
1
9
.
[1
7
]
Q.
H.
Ng
u
y
e
n
e
t
a
l
.
,
"
De
e
p
Lea
rn
in
g
M
o
d
e
ls
f
o
r
T
u
b
e
rc
u
lo
sis
De
te
c
ti
o
n
f
ro
m
Ch
e
st
X
-
ra
y
I
m
a
g
e
s,
"
2
0
1
9
2
6
th
I
n
t.
Co
n
f.
T
e
lec
o
mm
u
n
.
(
ICT
)
,
Ha
n
o
i
,
V
iet
n
a
m
,
2
0
1
9
,
p
p
.
3
8
1
-
3
8
5
.
[1
8
]
R.
Ra
sh
id
e
t
a
l
.
,
"
H
y
b
rid
RID
Ne
tw
o
rk
f
o
r
Ef
f
ici
e
n
t
Dia
g
n
o
sis
o
f
T
u
b
e
rc
u
lo
sis
f
ro
m
Ch
e
st
X
-
ra
y
s,"
2
0
1
8
9
t
h
C
a
iro
In
t.
B
io
me
d
ica
l
E
n
g
.
Co
n
f.
(
CIBE
C)
,
Ca
iro
,
Eg
y
p
t,
2
0
1
8
,
p
p
.
1
6
7
-
1
7
0
.
[1
9
]
R.
Ho
o
d
a
e
t
a
l
.
,
"
A
u
to
m
a
ted
TB
c
las
si
f
ica
ti
o
n
u
sin
g
e
n
se
m
b
le
o
f
d
e
e
p
a
rc
h
it
e
c
tu
re
s"
,
M
u
lt
ime
d
ia
T
o
o
ls
a
n
d
Ap
p
li
c
a
ti
o
n
s
,
v
o
l
.
7
8
,
n
o
.
2
2
,
p
p
.
3
1
5
1
5
-
3
1
5
3
2
,
2
0
1
9
.
[2
0
]
M
.
T
.
Isla
m
e
t
a
l
.
,
“
A
b
n
o
rm
a
li
ty
De
tec
ti
o
n
a
n
d
L
o
c
a
li
z
a
ti
o
n
i
n
C
h
e
st
X
-
Ra
y
s
u
sin
g
De
e
p
Co
n
v
o
l
u
ti
o
n
a
l
Ne
u
ra
l
Ne
tw
o
rk
s,”
a
rX
iv
e
-
p
rin
ts,
2
0
1
7
.
Evaluation Warning : The document was created with Spire.PDF for Python.
IJ
-
AI
I
SS
N:
2252
-
8938
E
n
s
emb
le
d
ee
p
lea
r
n
in
g
fo
r
tu
b
ercu
lo
s
is
d
etec
tio
n
u
s
in
g
ch
e
s
t X
-
Ra
y
a
n
d
…
(
S
tefa
n
u
s
K
ieu
Ta
o
Hw
a
)
435
[2
1
]
P
.
L
a
k
h
a
n
i
a
n
d
B.
S
u
n
d
a
ra
m
,
"
De
e
p
L
e
a
rn
in
g
a
t
Ch
e
st
Ra
d
io
g
ra
p
h
y
:
A
u
to
m
a
ted
Clas
si
f
ic
a
ti
o
n
o
f
P
u
lm
o
n
a
r
y
T
u
b
e
rc
u
lo
sis b
y
Us
in
g
Co
n
v
o
l
u
ti
o
n
a
l
Ne
u
ra
l
Ne
tw
o
rk
s"
,
Ra
d
io
lo
g
y
,
v
o
l.
2
8
4
,
n
o
.
2
,
p
p
.
5
7
4
-
5
8
2
,
2
0
1
7
.
[2
2
]
M
.
H.A
.
Hijaz
i
e
t
a
l
.
,
“
E
n
se
m
b
le
De
e
p
L
e
a
rn
in
g
f
o
r
T
u
b
e
rc
u
lo
sis
De
tec
ti
o
n
,
”
In
d
o
n
e
s.
J
.
El
e
c
tr.
E
n
g
.
C
o
mp
u
t.
S
c
i.
,
v
o
l.
1
0
,
n
o
.
1
,
p
p
.
4
0
1
–
4
0
7
,
2
0
1
8
.
[2
3
]
U.
K.
L
o
p
e
s
a
n
d
J.
F
.
V
a
li
a
ti
,
“
P
re
-
trai
n
e
d
c
o
n
v
o
l
u
ti
o
n
a
l
n
e
u
ra
l
n
e
tw
o
rk
s
a
s
f
e
a
tu
re
e
x
trac
to
rs
fo
r
t
u
b
e
rc
u
l
o
sis
d
e
tec
ti
o
n
,
”
C
o
mp
u
t.
B
io
l
.
M
e
d
.
,
v
o
l.
8
9
,
p
p
.
1
3
5
–
1
4
3
,
2
0
1
7
.
[2
4
]
T
.
Die
tt
e
rich
,
"
En
se
m
b
le
M
e
th
o
d
s
in
M
a
c
h
in
e
L
e
a
rn
in
g
"
in
L
e
c
tu
re
No
tes
in
Co
mp
u
ter
S
c
ien
c
e
.
Be
rli
n
,
G
er
m
any
:
S
p
rin
g
e
r,
2
0
0
0
,
p
p
.
1
-
15.
[2
5
]
S
.
Ja
e
g
e
r
e
t
a
l.
,
“
Tw
o
p
u
b
li
c
c
h
e
st
X
-
ra
y
d
a
tas
e
ts
f
o
r
c
o
m
p
u
ter
-
a
id
e
d
sc
re
e
n
in
g
o
f
p
u
lm
o
n
a
ry
d
i
se
a
se
s,”
Qu
a
n
t
.
Ima
g
i
n
g
M
e
d
.
S
u
r
g
.
,
v
o
l.
4
,
n
o
.
6
,
p
p
.
4
7
5
–
4
7
7
,
2
0
1
4
.
[2
6
]
J.
M
e
len
d
e
z
e
t
a
l
.
,
"
A
No
v
e
l
M
u
lt
i
p
le
-
In
sta
n
c
e
L
e
a
rn
in
g
-
Ba
se
d
A
p
p
ro
a
c
h
to
Co
m
p
u
ter
-
A
id
e
d
De
tec
ti
o
n
o
f
T
u
b
e
rc
u
lo
sis o
n
C
h
e
st X
-
Ra
y
s,"
i
n
IEE
E
T
ra
n
sa
c
ti
o
n
s
o
n
M
e
d
ica
l
Ima
g
i
n
g
,
v
o
l.
3
4
,
n
o
.
1
,
p
p
.
1
7
9
-
1
9
2
,
2
0
1
5
.
B
I
O
G
RAP
H
I
E
S O
F
AUTH
O
RS
S
tef
a
n
u
s
Kie
u
T
a
o
H
wa
is
a
stu
d
e
n
t
o
f
M
a
th
e
m
a
ti
c
s
a
n
d
Co
m
p
u
ter
G
r
a
p
h
ics
a
t
th
e
F
a
c
u
lt
y
o
f
S
c
ien
c
e
a
n
d
Na
tu
ra
l
Re
so
u
rc
e
s,
Un
iv
e
rsiti
M
a
lay
sia
S
a
b
a
h
in
M
a
lay
si
a
.
He
is
c
u
rre
n
tl
y
a
p
o
stg
ra
d
u
a
te stu
d
e
n
t
in
UMS
.
M
o
h
d
Ha
n
a
f
i
A
h
m
a
d
Hijaz
i
is
a
n
A
ss
o
c
iate
P
r
o
f
e
ss
o
r
o
f
Co
m
p
u
ter
S
c
ien
c
e
a
t
t
h
e
F
a
c
u
lt
y
o
f
Co
m
p
u
ti
n
g
a
n
d
In
f
o
rm
a
ti
c
s,
Un
iv
e
rsiti
M
a
la
y
si
a
S
a
b
a
h
in
M
a
lay
s
ia.
His
re
se
a
r
c
h
w
o
rk
a
d
d
re
ss
e
s
th
e
c
h
a
ll
e
n
g
e
s
in
k
n
o
w
led
g
e
d
isc
o
v
e
r
y
a
n
d
d
a
ta
m
in
in
g
to
id
e
n
ti
fy
p
a
tt
e
rn
s
f
o
r
p
re
d
ictio
n
o
n
stru
c
tu
re
d
a
n
d
/
o
r
u
n
st
r
u
c
tu
re
d
d
a
ta;
h
is
p
a
rti
c
u
lar
a
p
p
li
c
a
ti
o
n
d
o
m
a
in
s
a
re
m
e
d
ica
l
i
m
a
g
e
a
n
a
l
y
sis
a
n
d
u
n
d
e
rsta
n
d
in
g
a
n
d
se
n
ti
m
e
n
t
a
n
a
ly
sis o
n
so
c
ial
m
e
d
ia d
a
ta.
He
h
a
s a
u
th
o
re
d
/
c
o
-
a
u
t
h
o
re
d
m
o
re
th
a
n
4
0
j
o
u
r
n
a
ls/
b
o
o
k
c
h
a
p
ters
a
n
d
c
o
n
f
e
re
n
c
e
p
a
p
e
rs,
m
o
st
o
f
wh
ich
a
re
in
d
e
x
e
d
b
y
S
c
o
p
u
s
a
n
d
IS
I
W
e
b
o
f
S
c
ien
c
e
.
He
a
lso
se
rv
e
d
o
n
th
e
p
ro
g
ra
m
a
n
d
o
rg
a
n
izin
g
c
o
m
m
it
te
e
s
o
f
n
u
m
e
ro
u
s
n
a
ti
o
n
a
l
a
n
d
in
ter
n
a
ti
o
n
a
l
c
o
n
f
e
re
n
c
e
s.
He
is
th
e
lea
d
e
r
o
f
Da
ta
T
e
c
h
n
o
lo
g
ies
a
n
d
A
p
p
li
c
a
ti
o
n
s
re
se
a
rc
h
g
ro
u
p
a
t
th
e
f
a
c
u
lt
y
.
Dr.
A
b
d
u
ll
a
h
Ba
d
e
b
o
r
n
i
n
1
9
7
7
,
re
c
e
iv
e
d
h
is
BS
c
.
in
Co
m
p
u
ter
S
c
ien
c
e
i
n
2
0
0
0
,
M
S
c
.
i
n
Co
m
p
u
ter
S
c
ien
c
e
(Co
m
p
u
ter
G
r
a
p
h
ics
)
in
2
0
0
3
f
ro
m
Un
iv
e
rsiti
T
e
k
n
o
lo
g
i
M
a
lay
sia
a
n
d
P
h
D
i
n
In
d
u
strial
Co
m
p
u
ti
n
g
in
2
0
0
8
f
ro
m
Na
ti
o
n
a
l
Un
iv
e
rsity
o
f
M
a
la
y
si
a
.
Cu
rre
n
tl
y
,
h
e
is an
A
ss
c
o
c
iate
P
r
o
f
.
in
C
o
m
p
u
ter
G
ra
p
h
ics
a
n
d
Im
a
g
e
P
ro
c
e
ss
in
g
a
t
F
a
c
u
lt
y
o
f
S
c
ien
c
e
a
n
d
Na
tu
ra
l
Re
so
u
rc
e
s,
Un
iv
e
rsiti
M
a
lay
sia
S
a
b
a
h
.
Dr.
A
b
d
u
ll
a
h
is
a
p
ro
f
e
ss
io
n
a
l
m
e
m
b
e
r
o
f
A
CM
S
IGG
R
A
P
H,
m
e
m
b
e
r
M
a
la
y
sia
n
S
o
c
iety
o
f
M
a
th
e
m
a
ti
c
s
a
n
d
S
c
ien
c
e
(
P
ERS
A
M
A
)
a
n
d
se
rv
e
s
to
th
e
g
o
v
e
rn
m
e
n
t
a
s
M
a
la
y
sia
Qu
a
li
f
i
c
a
ti
o
n
A
g
e
n
c
y
(M
QA
)
p
a
n
e
l
o
f
a
ss
e
s
so
r
in
th
e
f
ield
o
f
Co
m
p
u
ti
n
g
a
n
d
M
u
lt
im
e
d
ia
sin
c
e
2
0
0
5
.
His
re
se
a
rc
h
in
tere
st
i
n
c
lu
d
e
s
Co
m
p
u
ter
G
ra
p
h
ics
a
n
d
Im
a
g
e
P
r
o
c
e
ss
in
g
a
lg
o
rit
h
m
s
a
n
d
a
ll
a
sp
e
c
ts
o
f
i
m
a
g
e
g
e
n
e
ra
ti
o
n
.
He
h
a
d
p
u
b
li
sh
e
d
n
u
m
e
ro
u
s
a
rti
c
les
in
re
f
e
r
e
e
d
jo
u
r
n
a
ls,
c
o
n
f
e
re
n
c
e
p
ro
c
e
e
d
in
g
s,
b
o
o
k
s a
n
d
tec
h
n
ica
l
p
a
p
e
rs.
A
s
so
c
.
P
r
o
f
.
Ra
z
a
li
Ya
a
k
o
b
re
c
e
iv
e
d
th
e
Ba
c
h
e
lo
r
De
g
re
e
in
Co
m
p
u
ter
S
c
ien
c
e
in
1
9
9
6
a
n
d
M
a
ste
r
in
Co
m
p
u
ter
S
c
ien
c
e
f
r
o
m
in
1
9
9
9
,
f
ro
m
Un
iv
e
rsiti
P
u
tra
M
a
lay
sia
,
a
n
d
P
h
D
f
ro
m
Un
iv
e
rsit
y
o
f
No
tt
in
g
h
a
m
,
Un
it
e
d
Kin
g
d
o
m
in
2
0
0
8
.
Cu
rre
n
t
ly
,
h
e
is
a
lec
tu
re
r
a
t
th
e
F
a
c
u
lt
y
o
f
Co
m
p
u
ter
S
c
ien
c
e
a
n
d
IT
,
Un
iv
e
rsiti
P
u
tra
M
a
la
y
sia
.
His
re
se
a
r
c
h
a
re
a
s
in
c
lu
d
e
a
rti
f
icia
l
n
e
u
ra
l
n
e
tw
o
rk
,
p
a
tt
e
rn
re
c
o
g
n
it
io
n
,
a
n
d
e
v
o
lu
ti
o
n
a
ry
c
o
m
p
u
tatio
n
i
n
g
a
m
e
p
la
y
in
g
.
H
e
is
a
m
e
m
b
e
r
o
f
th
e
In
telli
g
e
n
t
Co
m
p
u
ti
n
g
G
ro
u
p
a
t
th
e
f
a
c
u
lt
y
.
P
r
o
f
e
ss
o
r
Dr
M
o
h
a
m
m
a
d
S
a
ff
re
e
Je
ff
re
e
is
th
e
D
e
a
n
o
f
F
a
c
u
lt
y
o
f
M
e
d
icin
e
a
n
d
He
a
lt
h
S
c
ien
c
e
s,
Un
iv
e
rsit
y
M
a
la
y
sia
S
a
b
a
h
.
He
h
o
l
d
s
a
M
e
d
ica
l
De
g
re
e
f
ro
m
U
n
iv
e
rsiti
M
a
lay
sia
S
a
ra
wa
k
a
n
d
M
a
ste
r
o
f
Co
m
m
u
n
it
y
M
e
d
icin
e
(Oc
c
u
p
a
ti
o
n
a
l
He
a
lt
h
)
f
ro
m
N
a
ti
o
n
a
l
Un
iv
e
rsity
o
f
M
a
la
y
sia
.
He
a
lso
o
b
tain
e
d
o
t
h
e
r
q
u
a
li
f
ica
ti
o
n
s
su
c
h
a
s
E
p
i
d
e
m
ic
In
telli
g
e
n
t
P
r
o
g
ra
m
f
ro
m
M
in
istry
o
f
He
a
lt
h
M
a
la
y
sia
,
Oc
c
u
p
a
ti
o
n
a
l
He
a
lt
h
Do
c
to
r
f
ro
m
De
p
a
rt
m
e
n
t
o
f
O
c
c
u
p
a
ti
o
n
a
l
S
a
f
e
t
y
a
n
d
He
a
lt
h
M
a
la
y
sia
(D
OSH),
a
n
d
Ce
rti
f
i
e
d
M
e
d
ica
l
I
m
p
a
ir
m
e
n
t
A
ss
e
ss
o
r
f
ro
m
N
a
ti
o
n
a
l
In
stit
u
te
o
f
Oc
c
u
p
a
ti
o
n
a
l
S
a
f
e
t
y
a
n
d
He
a
lt
h
(NIO
S
H).
Be
f
o
re
jo
in
in
g
U
M
S
,
p
re
v
io
u
sly
h
e
w
o
rk
s
w
it
h
M
in
istry
o
f
He
a
lt
h
M
a
la
y
si
a
a
s
a
M
e
d
ica
l
O
ff
ice
r
f
o
r
9
y
e
a
rs
a
n
d
a
s
P
u
b
li
c
He
a
lt
h
M
e
d
ici
n
e
S
p
e
c
ialist
f
o
r
6
y
e
a
r
s.
He
is
a
c
ti
v
e
l
y
in
v
o
lv
e
d
in
o
c
c
u
p
a
ti
o
n
a
l
h
e
a
lt
h
,
c
o
m
m
u
n
it
y
h
e
a
lt
h
,
in
f
e
c
ti
o
u
s
d
ise
a
se
s,
n
o
n
-
c
o
m
m
u
n
ica
b
le
d
ise
a
se
s
a
n
d
c
a
n
c
e
r
re
s
e
a
rc
h
a
re
a
s.
He
is
c
u
rre
n
tl
y
a
su
p
e
rv
iso
r
f
o
r
mo
re
th
a
n
1
0
p
o
stg
ra
d
u
a
te stu
d
e
n
ts an
d
h
a
d
p
u
b
li
sh
e
d
se
v
e
ra
l
p
a
p
e
rs i
n
h
ig
h
im
p
a
c
t
jo
u
r
n
a
ls.
Evaluation Warning : The document was created with Spire.PDF for Python.