Detección de COVID-19 basada en aprendizaje automático con técnica cGAN mejorada utilizando imágenes de rayos X
Autores: Hamdi, Monia; Ksibi, Amel; Ayadi, Manel; Elmannai, Hela; Alzahrani, Abdullah I. A.
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Detección de COVID-19 basada en aprendizaje automático con técnica cGAN mejorada utilizando imágenes de rayos X
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Coronavirus
Pandemia
COVID-19
Inteligencia artificial
Aprendizaje automático
Diagnóstico
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
La enfermedad pandémica del coronavirus (COVID-19) es una enfermedad contemporánea. Apareció por primera vez en 2019 y ha generado mucha atención en los medios públicos y estudios recientes debido a su rápida propagación en todo el mundo en los últimos años y al hecho de que ha infectado a millones de individuos. Muchas personas han fallecido en tan poco tiempo. En los últimos años, se han publicado varios estudios en inteligencia artificial y aprendizaje automático para ayudar a los médicos en el diagnóstico y detección de virus antes de que se propaguen por todo el cuerpo, monitoreo de la recuperación, predicción de enfermedades, vigilancia, seguimiento y una variedad de otras aplicaciones. Este documento tiene como objetivo utilizar imágenes de radiografías de tórax para diagnosticar y detectar la enfermedad COVID-19. El conjunto de datos utilizado en este trabajo es la BASE DE DATOS DE RADIOGRAFÍA COVID-19, que se lanzó en 2020 y constaba de cuatro clases. El trabajo se lleva a cabo en dos clases de interés: la clase normal, que indica que la persona no está infectada con el coronavirus, y la clase infectada, que sugiere que la persona está infectada con el coronavirus. La clasificación de COVID-19 indica que la persona ha sido infectada con el coronavirus. Debido al gran número de imágenes desequilibradas en ambas clases (más de 10,000 en la clase normal y menos de 4000 en la clase COVID-19), así como a las dificultades para obtener o recolectar más imágenes médicas, aprovechamos la red generativa en este proyecto para producir muestras frescas que parezcan reales para equilibrar la cantidad de fotografías en cada clase. Este documento utilizó una red generativa adversarial condicional (cGAN) para resolver el problema. En la Sección de Preparación de Datos del documento, se explorará en detalle la arquitectura de la cGAN empleada. Como modelo de clasificación, utilizamos el VGG16. La Sección de Materiales y Métodos contiene información detallada sobre la planificación y los hiperparámetros. Pusimos a prueba nuestro modelo mejorado en un conjunto de pruebas del 20% de los datos totales. Logramos un 99.76 por ciento de corrección tanto para los modelos GAN como VGG16 con una variedad de procesos de preprocesamiento y configuraciones de hiperparámetros.
Descripción
La enfermedad pandémica del coronavirus (COVID-19) es una enfermedad contemporánea. Apareció por primera vez en 2019 y ha generado mucha atención en los medios públicos y estudios recientes debido a su rápida propagación en todo el mundo en los últimos años y al hecho de que ha infectado a millones de individuos. Muchas personas han fallecido en tan poco tiempo. En los últimos años, se han publicado varios estudios en inteligencia artificial y aprendizaje automático para ayudar a los médicos en el diagnóstico y detección de virus antes de que se propaguen por todo el cuerpo, monitoreo de la recuperación, predicción de enfermedades, vigilancia, seguimiento y una variedad de otras aplicaciones. Este documento tiene como objetivo utilizar imágenes de radiografías de tórax para diagnosticar y detectar la enfermedad COVID-19. El conjunto de datos utilizado en este trabajo es la BASE DE DATOS DE RADIOGRAFÍA COVID-19, que se lanzó en 2020 y constaba de cuatro clases. El trabajo se lleva a cabo en dos clases de interés: la clase normal, que indica que la persona no está infectada con el coronavirus, y la clase infectada, que sugiere que la persona está infectada con el coronavirus. La clasificación de COVID-19 indica que la persona ha sido infectada con el coronavirus. Debido al gran número de imágenes desequilibradas en ambas clases (más de 10,000 en la clase normal y menos de 4000 en la clase COVID-19), así como a las dificultades para obtener o recolectar más imágenes médicas, aprovechamos la red generativa en este proyecto para producir muestras frescas que parezcan reales para equilibrar la cantidad de fotografías en cada clase. Este documento utilizó una red generativa adversarial condicional (cGAN) para resolver el problema. En la Sección de Preparación de Datos del documento, se explorará en detalle la arquitectura de la cGAN empleada. Como modelo de clasificación, utilizamos el VGG16. La Sección de Materiales y Métodos contiene información detallada sobre la planificación y los hiperparámetros. Pusimos a prueba nuestro modelo mejorado en un conjunto de pruebas del 20% de los datos totales. Logramos un 99.76 por ciento de corrección tanto para los modelos GAN como VGG16 con una variedad de procesos de preprocesamiento y configuraciones de hiperparámetros.