COVID-19 chest X-ray image analysis by threshold-based segmentation
Notice bibliographique
Résumé
COVID-19 is a severe acute respiratory syndrome that has caused a major ongoing pandemic worldwide. Imaging systems such as conventional chest X-ray (CXR) and computed tomography (CT) were proven essential for patients due to the lack of information about the complications that could result from this disease. In this study, the aim was to develop and evaluate a method for automatic diagnosis of COVID-19 using binary segmentation of chest X-ray images. The study used frontal chest X-ray images of 27 infected and 19 uninfected individuals from Kaggle COVID-19 Radiography Database, and applied binary segmentation and quartering in MATLAB to analyze the images. The binary images of the lung were split into four quarters; Q1 = right upper quarter, Q2 = left upper quarter, Q3 = right lower, and Q4 = left lower. The results showed that COVID-19 patients had a higher percentage of attenuation in the lower lobes of the lungs (p-value < 0.00001) compared to healthy individuals, which is likely due to ground-glass opacities and consolidations caused by the infection. The ratios of white pixels in the four quarters of the X-ray images were calculated, and it was found that the left lower quarter had the highest number of white pixels but without a statistical significance compared to right lower quarter (p-value = 0.102792). This supports the theory that COVID-19 primarily affects the lower and lateral fields of the lungs, and suggests that the virus is accumulated mostly in the lower left quarter of the lungs. Overall, this study contributes to the understanding of the impact of COVID-19 on the respiratory system and can help in the development of accurate diagnostic methods.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».