Classification of COVID-19 Cases from X-Ray Images Based on a Modified VGG-16 Model
Notice bibliographique
Résumé
COVID-19 is considered one of the most deadly pandemics by the World Health Organization and has claimed the lives of millions around the world. Mechanisms for early diagnosis and detection of this rapidly spreading disease are necessary to save lives. However, the increase in COVID-19 cases requires not relying on traditional means of detecting diseases due to these tests’ limitations and high costs. One diagnostic technique for COVID-19 is X-rays and CT scans. For accurate and highly efficient diagnosis, computer-aided diagnosis is required. In this research, we suggest a convolutional neural network for chest x-ray images categorisation into two classes of infection: COVID-19 and normal. The suggested model uses an upgraded model based on the VGG-16 architecture that has been trained end-to-end on a dataset composed of X-ray images obtained from two different public data repositories, which include 1,320 and 1,578 cases in the COVID-19 and normal classes, respectively. This suggested model was trained and evaluated on the provided dataset and showed that our proposed model showed improved performance in the matter of overall accuracy, recall, precision, and F1-score at 99.54%, 99.5%, 99.5%, and 99.5%, respectively. The system’s significance is supported because it has greater accuracy than other contemporary deep learning methods in the literature on COVID-19 identification.
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 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».