A comparison between CNN and combined CNN-LSTM for chest X-ray based COVID-19 detection
Notice bibliographique
Résumé
COVID-19 detection through radiological examination is favoured since it is fast and produces more accurate results than the laboratory approach. However, when it has infected many people and put a strain on the healthcare system, the need for fast, automatic COVID-19 detection in patients has become critical. This study proposes to detect COVID-19 from chest X-ray (CXR) images with a machine learning approach. The main contributions of this paper are to compare two powerful deep learning models, i.e., convolutional neural networks (CNN) and the combination of CNN and Long Short-Term Memory (LSTM). In the combination model, CNN is recommended for feature extraction, and COVID-19 is classified using the features of LSTM. The dataset used in this study amounted to 4,095 CXR images, consisting of 1,400 images of normal conditions, 1,350 images of COVID-19, and 1,345 images of pneumonia. Both CNN and CNN-LSTM were executed in a similar experimental setup and evaluated using a confusion matrix. The experiment results provide evidence that the CNN-LTSM is better than the CNN deep learning model, with an overall accuracy of about 98.78%. Furthermore, it has a precision and recall of 99% and 98%, respectively. These findings will be valuable in the fast and accurate detection of COVID-19.
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 | 0,003 | 0,006 |
| 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 | 0,001 | 0,001 |
| 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 ».