MCNN: A Deep Learning Based Rapid Diagnosis Method for COVID-19 from the X-ray Images
Notice bibliographique
Résumé
Due to the rapidly spreading nature of coronavirus, a pandemic situation has emerged around the world. It is affecting society at large that includes the global economy and public health too. It was found in recent studies that the novel and unknown nature of this virus makes it more difficult to identify and treat the affected patient in the early stage. In this context, a time-consuming method named reverse transcription-polymerase chain reaction (RT-PCR) is being used to detect the positive cases of COVID-19, which requires blood samples of the suspects to diagnose the disease. This paper presents a new deep learning-based method to detect COVID-19 cases using chest X-ray images as the recent studies show that the radiology images have relevant features that can be used to predict the COVID-19. The proposed method is developed for binary classification to identify that a person is infected with COVID-19 or not. A total of 2400 X-ray images are taken for the experimental work. It includes 1000, COVID-19, and 1000, non-COVID-19 images, 200, COVID-19, and 200, non-COVID-19 testing images. The proposed method has been compared with the existing state-of-the-art methods on various statistical parameters which give better results with higher accuracy in diagnosing the COVID-19 cases. The proposed method has obtained 98.25% accuracy, 98.49% precision, 98% sensitivity, 98.50% specificity, and 98.25% F1 score.
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 | 0,001 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».