Automatic COVID-19 Diagnosis System Based on Deep Convolutional Neural Networks
Notice bibliographique
Résumé
A public health emergency threat is happening due to novel coronavirus 2019 (nCoV-2019) throughout the world. nCoV-2019 is also named Severe Acute Respiratory Syndrome-CoronaVirus-2 (SARS-CoV-2). COVID-19 is the disease caused by this virus. The virus originates in bats and is transmitted to humans by some unidentified intermediate animals. This virus started around December 2019 at Wuhan of China. After that, it turned into a pandemic. Even though there is no efficient vaccination, the entire world fights against the COVID-19. This article presents an overview of the scenario of the world as well as India. Some of the leading countries in the world are also affected by this virus badly. Even India is the 2nd highest population, is taking necessary precautions to protect it. With the Government of India's decisions, along with effective social distancing and hygienic measures, India is in a better position. But, in the future, COVID19 cases in India, still unpredictable. We designed an algorithm based on Convolutional Neural Network (CNN), which helps to classify COVID19+ and COVID19- persons using people's chest X-ray images automatically generated within the shortest time. The proposed method discovered that employing CT scan medical images produced more accurate results than X-ray images.
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 | 0,000 |
| 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) | 0,010 | 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 ».