A Comprehensive Survey on COVID-19 Detection and Classification Using Chest-X-Ray Images
Notice bibliographique
Résumé
The World Health Organization (WHO) made the announcement that the SARS virus-induced Coronavirus contamination-2019 (COVID-19) has been raised to the status of an international pandemic in March of 2020. If this virus is discovered at a relatively early stage in its life cycle, then it will be possible to contain it and treat it in an effective manner. Because of this fact, real-time polymerase chain reaction (RT-PCR) has emerged as the screening method of first desire for the rapid detection of COVID-19 in blood samples. This is a direct result of the fact Large-scale research have shown that the outcomes of an RT-PCR experiment can be misleadingly bad up to sixty two percent of the time. As a final result, the focus of these studies is on a thorough examination of COVID-19 detection and complexity through the utilisation of photos obtained from chest x-rays that are centred at the lung. In the beginning, the research looked into the many layers of computer-aided detection, such as deep learning and meta-heuristics techniques. After that, the research is concentrated on the processes of feature extraction, feature preference, and sophistication operations by utilising techniques such as gadget learning, deep learning, and bio-optimization. The study highlights the contemporary difficulties presented by artificial intelligence structures for the detection of COVID-19, which can help to put into action a hybrid system.
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 | 0,000 | 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 ».