Different Deep Learning Based Classification Models for COVID-19 CT-Scans and Lesion Segmentation Through the cGAN-UNet Hybrid Method
Notice bibliographique
Résumé
The new coronavirus, which emerged in early 2020, caused a major global health crisis in 7 continents.An essential step towards fighting this virus is computed tomography (CT) scans.CT scans are an effective radiological method to detecting the diagnosis in early stage, but have greatly increased the workload of radiologists.For this reason, there are systems needed that will reduce the duration of CT examinations and assist radiologists.In this study, a two-stage system has been proposed for COVID-19 detection.First, a hybrid method is proposed that can segment the infected region from CT images.The reason for this is that there is not always a reference image in the datasets used in the classification.For this purpose; UNet, UNet++, SegNet and PsPNet were used both separately and as hybrids with GAN, to automatically segment infected areas from chest CT slices.According to the segmentation results, cGAN-UNet hybrid system was selected as the most successful method.Experimental results show that the proposed method achieves a segmentation success with a dice score of 92.32% and IoU score of 86.41%.In the second stage, three classifiers which include a Convolutional Neural Network (CNN), a PatchCNN and a Capsule Neural Network (CapsNet) were used to classify the generated masks as either COVID-19 or not, using the segmented images obtained from cGAN-UNet.Success of these classifiers was 99.20%, 92.55% and 73.84%, respectively.According to these results, the highest success was achieved in the system where cGAN-Unet and CNN are used together.
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) | 0,000 | 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 ».