Lung Ultrasound Image Classification Using Deep Learning and Histogram of Oriented Gradients Features for COVID-19 Detection
Notice bibliographique
Résumé
Features derived by deep learning models are useful in challenging classification tasks such as the detection of COVID-19 in ultrasound lung images. However, in this process, knowledge-based hand-crafted features engineered by humans are totally neglected. Hand-crafted features do have a significant role in performance enhancement in complicated classification tasks. This paper proposes a fusion of hand-crafted features with abstract features produced by deep learning in the later stages of the classification process for COVID-19 detection. Histogram of Oriented Gradients (HOG) features are used as a hand-crafted feature for fusion with abstract features produced by VGG 16 and Vision transformer (ViT). The HOG and abstract features are fused later to improve the classification model's performance. A public COVID-19 dataset is used to demonstrate the improved performance of the proposed classification model. Results show that the proposed fusion technique improves the accuracy achieved by ViT for normal vs abnormal classification by 1.75% and for COVID-19 vs bacterial pneumonia classification by 1.04% when compared with the traditional ViT classification results. Similarly, when abstract features produced by VGG 16 were fused with HOG features, the classification accuracy achieved an improvement of approximately 5.81% and 4.94% for normal vs abnormal and COVID-19 vs bacterial pneumonia classification, respectively.
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 | 0,004 |
| 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) | 0,000 | 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 ».