ChestCovidNet: an effective deep learning based approach for COVID-19, lung opacity, and pneumonia detection using chest radiograph images
Notice bibliographique
Résumé
Currently used lung disease screening tools are expensive in terms of money and time. Therefore, chest radiograph images (CRIs) are employed for prompt and accurate COVID-19 identification. Recently, many researchers have applied deep learning (DL) based models to detect COVID-19 automatically. However, their model could have been more computationally expensive and less robust, i.e., its performance degrades when evaluated on other datasets. This study proposes a trustworthy, robust, and lightweight network (ChestCovidNet) that can detect COVID-19 by examining various CRI datasets. The ChestCovidNet model has only 11 learned layers, 8 convolutional (Conv) layers, and 3 fully connected (FC) layers. The framework employs both the Conv and group Conv layers, Leaky Relu activation function, shufflenet unit, Conv kernels of 3 × 3 and 1 × 1 to extract features at different scales, and two normalization procedures that are cross-channel normalization and batch normalization, which make it a novel COVID-19 identification framework. We used data augmentation techniques to increase the number of images and validate the generalizability of the suggested model. We used 9013 CRIs for training, whereas 3863 CRIs for testing the proposed ChestCovidNet approach. Furthermore, we compared the classification results of the proposed framework with hybrid methods in which we employed DL frameworks for feature extraction and support vector machines (SVM) for classification. The study's findings demonstrated that the embedded low-power ChestCovidNet model worked well and achieved a classification accuracy of 98.12% and recall, F1-score, and precision of 95.75% for the four class classifications of CRIs (COVID-19, normal, pneumonia, and lung opacity (LO)).
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 | 0,000 |
| 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 ».