A Lightweight Deep Learning Model and Web Interface for COVID-19 Detection Using Chest X-Rays
Notice bibliographique
Résumé
COVID-19 is one of the deadly diseases that affected the global health system.It is difficult to diagnose COVID-19, as it shows the symptoms of the common cold.Therefore, effective screening techniques play a significant role in the timely detection of this disease.Existing techniques such as real-time reverse transcriptase-polymerase chain reaction (RT-PCR), require a considerable amount of time for processing, typically taking up to 48 hours to produce results.This delay can be detrimental, as the virus can spread rapidly during this waiting period.X-ray images are also used for this purpose due to their accessibility, speed, non-invasiveness, cost-effectiveness, ability to visualize lung tissues, and rapid deploy ability.This research proposes a convolutional neural network (CNN) to detect COIVD-19 based on chest X-ray images.The model's uniqueness lies in its ability to harness the power of convolutional layers for feature extraction without the need for complex segmentation techniques.The convolutional layers of the CNN filter slide across the input image, performing element-wise multiplication and accumulation to create feature maps.These maps highlight relevant patterns, edges, and textures present in the image.This can help in predicting the infection and its severity.With the proposed model an accuracy of 99% was achieved, and it attempts to balance computational efficiency and accuracy.Further, a web interface is developed so that users can use this model to obtain easy and accurate predictions.The proposed model aims to reduce the workload of healthcare workers and provide timely results to a patient so that further actions can be taken quickly.
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 ».