<scp>OVASO</scp>: Integrated binary <scp>CNN</scp> models to classify <scp>COVID</scp>‐19, pneumonia and healthy lung in X‐ray images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Several radiologists have paid attention to computer‐aided detection (CAD) systems which assist in classifying diseases on chest x‐ray (CXR). Recently, with the outbreak of COVID‐19, CAD based on deep learning has an important role in screening COVID‐19 on CXR. However, imbalanced training datasets such as COVID‐19 datasets, COVID‐19 (473), pneumonia (5458), and normal (7966) cause difficulty in classification. In this paper, we suggest a new evaluation approach, OVASO, that selectively combines one‐versus‐all (OVA) classifier and one‐versus‐one (OVO) to overcome class imbalance caused by the lower number of COVID‐19 training datasets. In addition, as part of efforts to properly apply transfer learning, we initialized batch normalization (BN) values including γ and β from the viewpoint of transfer learning and found that appropriate initialization at all binary models, OVASO's components, usually increased the binary models' performance. As a result, the proposed OVASO model achieved improved accuracy and F1‐score of 95.33% and 95.88%, respectively. Furthermore, the suggested OVASO performed similarly to COVID‐Net, which is the current state‐of‐the‐art model for classifying COVID‐19 on CXR.
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.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle