Coronavirus Diagnosis Based on Chest X-Ray Images and Pre-Trained DenseNet-121
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A serious global problem called COVID-19 has killed a great number of people and rendered many projects useless.The obtained individual's identification at the appropriate time is one of the crucial methods to reduce losses.By detecting and recognizing contaminated individuals in the early stages, artificial intelligence can help many associations in these situations.In this study, we offer a fully automated method to identify COVID-19 from a patient's chest X-ray images without the need for a clinical expert's assistance.The proposed approach was evaluated on the public COVID-19 X-ray dataset that achieves high performance and reduces computational complexity.This dataset contains 400 photos, 100 images of individuals who were infected with Covid-19, 100 images of individuals with no COVID-19, 100 images of a viral pneumonia and a 100 more images that we reserve them for testing part.So we have an overall 300 images for training and 100 for testing.The obtained results were so satisfying, an F1 score of 0.98, a Recall of 0.98, and an Accuracy of 0.98.The classification method deep learning-based DenseNet-121, transfer learning, as well as data augmentation techniques were implemented to improve the model more accurately.Our proposed approach outperforms several CNNs and all recent works on COVID-19 images.Even though there are not enough training photos comparing to other extra-large datasets.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle