An Efficient Classification and Detection of COVID-19, Pneumonia, and Tuberculosis Using Visual Attention Gated Networks
Notice bibliographique
Résumé
The COVID-19 epidemic has had a profound impact on our lives.What makes this virus so lethal is its rapid exponential transmission rate between individuals.There is a scarcity of COVID-19 test kits in hospitals due to the significant increase in cases.Efficient and prompt screening of individuals with this condition is essential.This condition must be distinguished from other lung disorders, including pneumonia and tuberculosis.Deep learning provides innovative ways for analyzing medical pictures and serves as a valuable tool in helping radiologists, clinicians, and researchers examine large quantities of X-ray images, which are crucial for COVID-19 screening.In this paper, we propose a new deep learning model that utilises an attention gated technique to classify pneumonia, tuberculosis, and COVID-19.A trainable attention estimator has been included in conventional convolutional neural networks for the purpose of image classification.The suggested model obtained 90.16% accuracy in distinguishing between pneumonia and tuberculosis, 94.02% in distinguishing between pneumonia and COVID-19, and 98.27% in distinguishing COVID-19.Our novel deep learning model, utilizing an attention gated mechanism, accurately detects pneumonia, tuberculosis, and COVID-19 from X-ray pictures.This method tackles the urgent requirement for enhanced COVID-19 screening by providing a simplified option for effective diagnosis.Our methodology improves diagnostic processes by utilizing deep learning, offering substantial advantages for healthcare professionals and patients.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».