Employing Transfer Learning and LSTM Networks for COVID-19 Detection via Chest X-Ray Imagery
Notice bibliographique
Résumé
The recent emergence of COVID-19 has posed substantial challenges to global health sectors.Given the significant impact of the virus on lung tissues, chest radiography has become a crucial tool in the early screening, detection, and continual monitoring of suspected cases.Among several technologies, X-ray imaging stands as a readily available and promising modality for the diagnosis and prognosis of COVID-19.This study presents a methodology for distinguishing between COVID-19 and non-COVID-19 chest X-ray images, leveraging deep feature extraction and pre-trained Convolutional Neural Networks (CNN).Deep features are extracted using the pre-trained deep CNN models and subsequently fed into a Long Short-Term Memory (LSTM) model for end-to-end training.The observational data set comprised 200 X-ray images from non-COVID individuals and 180 from those diagnosed with COVID-19.Image classification was carried out using a variety of models including Visual Geometric Group 16 (VGG16), Visual Geometric Group 19 (VGG19), InceptionV3, Xception, ResNet50, MobileNet, and DenseNet121, yielding average accuracies of 92.7%, 94.46%, 78.1%, 90.6%, 80.7%, 65%, and 93.4% respectively.However, the inclusion of LSTM networks significantly improved the performance of these models in differentiating between COVID-19 and non-COVID-19 cases.This paper conducts a comparative analysis of various CNN models supplemented with an LSTM network, utilizing chest X-ray images.The outcomes of this study suggest that the proposed methodology could potentially aid clinicians in enhancing their diagnostic accuracy concerning 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 | 0,001 | 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 ».