An Automated CAD System of CT Chest Images for COVID-19 Based on Genetic Algorithm and K-Nearest Neighbor Classifier
Notice bibliographique
Résumé
The detection of COVID-19 from computed tomography (CT) scans suffered from inaccuracies due to its difficulty in data acquisition and radiologist errors. Therefore, a fully automated computer-aided detection (CAD) system is proposed to detect coronavirus versus non-coronavirus images. In this paper, a total of 200 images for coronavirus and non-coronavirus are employed based on 90% for training images and 10% testing images. The proposed system comprised five stages for organizing the virus prevalence. In the first stage, the images are preprocessed by thresholding-based lung segmentation. Afterward, the feature extraction technique was performed on segmented images, while the genetic algorithm performed on sixty-four extracted features to adopt the superior features. In the final stage, the K-nearest neighbor (KNN) and decision tree are applied for COVID-19 classification. The findings of this paper confirmed that the KNN classifier with K=3 is accomplished for COVID-19 detection with high accuracy of 100% on CT images. However, the decision tree for COVID-19 classification is achieved 95% accuracy. This system is used to facilitate the radiologist’s role in the prediction of COVID-19 images. This system will prove to be valuable to the research community working on automation of COVID-19 images prediction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».