A modified deep learning model in the classification of post-COVID-19 lung disease and a comparative study on Iranian and international databases
Notice bibliographique
Résumé
Background:We introduced Mask R-CNN+CNN as a deep learning model to classify COVID-19 and non-COVID-19 cases.Radiomic features relevant to COVID-19 was presented for Iranian and other nationalities.Materials and Methods: Chest CT images from 800 COVID-19 positive and negative patients were studied.The automated volume of the lung and segmentation of COVID-19 lung lesions were implemented using 3D U-net, Capsule network, and Mask R-CNN on annotated CT images.Deep learning models designed were based on Mask R-CNN, CNN, and Mask R -CNN+CNN algorithms to classify COVID-19 cases.We also explored radiomic features relevant to the COVID-19 pandemic in the lungs for chest CT images and implemented random forest (RF), decision tree (DT), and gradient boosting decision tree (GBDT) algorithms on two datasets.Results: The Mask R-CNN+CNN model demonstrated a higher classification accuracy (96.39 ± 2.94) compared to the Mask R-CNN and CNN models.The RF algorithm had greater power in differentiating relevant COVID-19 radiomic features compared to DT and GBDT, with an accuracy of at least 91 and an AUC of at least 985 in both datasets.We identified six radiomic features that were relevant to the pathological characteristics of COVID-19 positive/negative patients and were common across all datasets.Conclusion: This study emphasizes the power of Mask R-CNN+CNN with a ResNet-101 backbone as a CNN algorithm that utilizes bounding box offsets output from Mask R-CNN as the input for classifying COVID-19 cases.Radiomic features extracted from lung CT images might aid the diagnosis of COVID-19 in patients at various stages of the disease.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».