An Accurate Disease Classification of COVID-19 and Pneumonia from Chest X-Ray Images Utilizing Mathematical Algorithm-Based Deep Learning Model
Notice bibliographique
Résumé
The COVID-19 pandemic, which originated in 2019, has caused a significant global number of fatalities.The economic and healthcare impacts of COVID-19 infection in survivors have become evident during this period.An important first step towards the effective management of COVID-19 is an effective screening of patients, which includes radiology examinations using chest radiography as one of the primary screening modalities.Early research has shown that patients with pneumonia and COVID-19 infection show different anomalies in chest radiography images.Classifying images of COVID-19 and pneumonia diseases has proven to be a challenging task for computers.Several classification systems were developed using different databases in order to determine the category to which the detected image belongs.The accuracy percentage was assessed using these systems.However, there are instances where the imaging techniques may produce distorted images, low contrast images, or fail to accurately depict the edges of the internal organs.These challenges can have an impact on the accuracy of a classification model's design.In this study, a new robust model called FPD-VGG-16 is introduced.This model combines the Visual Geometry Group (VGG-16) deep learning technique with the Fractional Partial Differential (FrPDA) mathematical method.The idea of using FrPDA is to improve edges, increase the visibility of texture details, and retain smooth areas in comparison to using only deep algorithms.The proposed model demonstrates accurate pneumonia detection and COVID-19 classification from chest X-ray images; the model recorded an impressive accuracy of 98.1%, along with equally remarkable precision and recall values 0.982 and 0.980 respectively, as well as and f1-score score of 0.981.While 96.2% as an accuracy measure is achieved in this study without using the FrPDA algorithm.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».