SpiCoNET: A Hybrid Deep Learning Model to Diagnose COVID-19 and Pneumonia Using Chest X-Ray Images
Notice bibliographique
Résumé
Using deep learning techniques on radiological lung images for detecting COVID-19 is a promising technique in shortening the diagnosis time. In this study, we propose a hybrid deep learning model, detecting the COVID-19 and Pneumonia virus using Chest X-ray images. The proposed model, named SpiCoNET, first runs multiple well-known deep learning models combined with Spiking Neural Network (SNN) in order to identify the models with higher accuracy rates. Then, SpiCoNET combines the features of the two models with the highest accuracy rates among the well-known models and hands the combined features over to a different SNN layer as an input. Finally, the features are classified by using the SEFRON learning algorithm. The proposed hybrid deep learning model takes advantage of the features of the well-known models combined with SNN providing the highest accuracy rate. Moreover, the proposed model makes use of the SEFRON learning algorithm to provide better classification. The proposed model provides an accuracy rate of 97.09% for the classification of images of the COVID-19, Pneumonia and Normal, which outperforms AlexNet (91.27%) and DenseNet201 (90.40%). The results reveal that deep learning based systems for the identification of COVID-19 and Pneumonia can help healthcare professionals control the COVID-19 pandemic in an effective manner.
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 | 0,000 |
| 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 ».