Extracción de características profundas para la detección de covid-19 utilizando aprendizaje profundo
Autores: Rafiq, Arisa; Imran, Muhammad; Alhajlah, Mousa; Mahmood, Awais; Karamat, Tehmina; Haneef, Muhammad; Alhajlah, Ashwaq
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Extracción de características profundas para la detección de covid-19 utilizando aprendizaje profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Sars-cov-2
Covid-19
Virus de la influenza
Preocupaciones de salud
Radiografías de tórax
Aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
SARS-CoV-2, un síndrome respiratorio agudo severo relacionado con COVID-19, es un nuevo tipo de virus de la influenza que ha infectado a toda la comunidad internacional. Ha generado graves preocupaciones de salud y seguridad en todo el mundo. Identificar el brote en la fase inicial puede ayudar a una recuperación exitosa. La identificación rápida y exacta de COVID-19 limita el riesgo de propagación de esta enfermedad fatal. Los pacientes con COVID-19 tienen características radiográficas distintivas en radiografías de tórax y tomografías computarizadas. Las imágenes CXR pueden ser utilizadas para diagnosticar la enfermedad de las personas con COVID-19 tempranamente. Esta investigación se centró en la extracción de características profundas, detección precisa y predicción de COVID-19 a partir de imágenes de rayos X. El modelo CNN concatenado propuesto se basa en modelos de aprendizaje profundo (Xception y ResNet101) para imágenes CXR. Para la extracción de características, se utilizaron modelos CNN (Xception y ResNet101), y luego estas características se combinaron utilizando una técnica de modelo concatenado. En el esquema propuesto, se aplica el método de optimización de enjambre de partículas a las características concatenadas que proporcionan características óptimas de un vector de características general. La selección de estas características óptimas ayuda a disminuir el período de clasificación. Para evaluar el rendimiento del enfoque propuesto, se realizaron experimentos con imágenes CXR. Se recopilaron conjuntos de datos de imágenes CXR de tres fuentes diferentes. Los resultados demostraron la eficacia del esquema propuesto para detectar COVID-19 con precisión promedio del 99.77%, 99.72% y 99.73% para los conjuntos de datos 1, 2 y 3, respectivamente. Además, el modelo propuesto también logró sensibilidades promedio de COVID-19 del 96.6%, 97.18% y 98.88% para los conjuntos de datos 1, 2 y 3, respectivamente. La precisión general máxima de todas las clases -normal, neumonía y COVID-19- fue de aproximadamente 98.02%.
Descripción
SARS-CoV-2, un síndrome respiratorio agudo severo relacionado con COVID-19, es un nuevo tipo de virus de la influenza que ha infectado a toda la comunidad internacional. Ha generado graves preocupaciones de salud y seguridad en todo el mundo. Identificar el brote en la fase inicial puede ayudar a una recuperación exitosa. La identificación rápida y exacta de COVID-19 limita el riesgo de propagación de esta enfermedad fatal. Los pacientes con COVID-19 tienen características radiográficas distintivas en radiografías de tórax y tomografías computarizadas. Las imágenes CXR pueden ser utilizadas para diagnosticar la enfermedad de las personas con COVID-19 tempranamente. Esta investigación se centró en la extracción de características profundas, detección precisa y predicción de COVID-19 a partir de imágenes de rayos X. El modelo CNN concatenado propuesto se basa en modelos de aprendizaje profundo (Xception y ResNet101) para imágenes CXR. Para la extracción de características, se utilizaron modelos CNN (Xception y ResNet101), y luego estas características se combinaron utilizando una técnica de modelo concatenado. En el esquema propuesto, se aplica el método de optimización de enjambre de partículas a las características concatenadas que proporcionan características óptimas de un vector de características general. La selección de estas características óptimas ayuda a disminuir el período de clasificación. Para evaluar el rendimiento del enfoque propuesto, se realizaron experimentos con imágenes CXR. Se recopilaron conjuntos de datos de imágenes CXR de tres fuentes diferentes. Los resultados demostraron la eficacia del esquema propuesto para detectar COVID-19 con precisión promedio del 99.77%, 99.72% y 99.73% para los conjuntos de datos 1, 2 y 3, respectivamente. Además, el modelo propuesto también logró sensibilidades promedio de COVID-19 del 96.6%, 97.18% y 98.88% para los conjuntos de datos 1, 2 y 3, respectivamente. La precisión general máxima de todas las clases -normal, neumonía y COVID-19- fue de aproximadamente 98.02%.