Deep Learning-Based Segmentation and Classification of COVID-19 Infection Severity Levels from CT Scans
Notice bibliographique
Résumé
Due to the emergence of coronavirus disease 2019 (COVID-19) around the globe, the detection and treatment of COVID-19 patients is an extremely essential process in healthcare systems. Among many imaging technologies, Computed Tomography (CT) analyses with deep learning frameworks offer better efficiency than the other imaging modalities. To segment the infected COVID-19 Region-Of-Interests (ROIs), an Enriched 2.5D U-Net (E2.5D U-Net)-based deep learner has been used. In contrast, it requires categorization of infection severity to identify the patients in the prior stage. Hence, in this article, feature extraction with a classification framework is proposed to learn deep features related to the infection disease severity. In this framework, each segment from the E2.5D U-Net is fed to a deep learner such as DenseNet201 to extract the deep features. These features are learned independently by different machine learning classifiers to categorize the infection severity levels. It aids physicians in diagnosing COVID-19 patients in advance. But it needs other infection-related features to enhance the efficiency. Therefore, a multi-modeling classification framework is proposed. This framework extracts the handcrafted features from CT scans and concatenates them with the deep features to get the unified feature vector. Moreover, these feature vectors are trained by using the multi-modeling classifier for predicting the infection severity levels with higher accuracy. At last, the testing outcomes exhibit that the multi-modal classifier establishes a higher efficiency than the standard classifier frameworks.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».