Pneumonia and COVID-19 Detection in Chest X-rays Using Faster Region-Based Convolutional Neural Networks (Faster R-CNN)
Notice bibliographique
Résumé
The arising of SARS-CoV-2 or 2019 novel coron-avirus in December 2019 have prioritized research on pulmonary diseases diagnosis and prognosis, especially using artificial intelligence (AI) and Deep Learning (DL). Polymerase Chain Reaction (PCR) is the most widely used technique to detect SARS-CoV-2, with a 0.12% false negative rate. While 75% of the hospitalized cases develop pneumonia caused by the virus, patients can still develop bacterial pneumonia. COVID-19 pneumonia can be diagnosed based on clinical data and Computed Tomography (CT scan). However, Chest X-rays are faster, cheaper, emit less radiations, and can be performed on bed-side. In this article, we extend the application of VGG-16 based Faster Region-Based Convolutional Neural Network (Faster R-CNN) to the detection of Pneumonia and COVID-19 in Chest X-ray images using several public datasets of total images count ranging from 2122 to 18455 Chest X-rays, and study the impact of several hyper-parameters such as objectness threshold and epochs count and length, to optimize the model's performance. Our results comply with the state of the art of Faster R-CNN in pneumonia detection as the best accuracy achieved is 65%. For COVID-19 detection, Faster R-CNN achieves a 90% validation accuracy.
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 | 0,001 | 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 | 0,001 |
| 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 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 ».