Automated COVID-19 Detection from WBC-DIFF Scattergram Images with Hybrid CNN Model Using Feature Selection
Notice bibliographique
Résumé
In the medical diagnosis such as WBC (white blood cell), the scattergram images show the relationships between neutrophils, eosinophils, basophils, lymphocytes, and monocytes cells in the blood. For COVID-19 detection, the distributions of these cells differ in healthy and COVID-19 patients. This study proposes a hybrid CNN model for COVID-19 detection using scatter images obtained from WBC sub (differential-DIFF) parameters instead of CT or X-Ray scans. As a data set, the scattergram images of 335 COVID-19 suspects without chronic disease, collected from the biochemistry department of Elazig Fethi Sekin City Hospital, are examined. At first, the data augmentation is performed by applying HSV(Hue, Saturation, Value) and CIE-1931(Commission Internationale de l'éclairage) conversions. Thus, three different image large sets are obtained as a result of raw, CIE-1931, and HSV conversions. Secondly, feature extraction is applied by giving these images as separate inputs to the CNN model. Finally, the ReliefF feature extraction algorithm is applied to determine the most dominant features in feature vectors and to determine the features that maximize classification accuracy. The obtaining feature vector is classified with high-performance SVM in binary classification. The overall accuracy is 95.2%, and the F1-Score is 94.1%. The results show that the method can successfully detect COVID -19 disease using scattergram images and is an alternative to CT and X-Ray scans.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».