Фон

Пандемия COVID-19 резко изменила измерение современного мира и жизни во всем мире. Дни оставляют нас с беспрецедентными проблемами, связанными с общественным здравоохранением, работой и повседневными потребностями. Эта ситуация побудила нас разработать модель глубокого обучения, которая может помочь в диагностике вируса короны с помощью рентгена грудной клетки. Модель глубокого обучения будет использоваться для классификации рентгеновских изображений. Точнее будут разные вариации CNN для получения более точной модели классификации рентгеновских изображений. Практикующим врачам и радиологам может быть очень полезно помочь им в диагностике случаев COVID-19.

Поскольку заболевание было связано с легкими и органами дыхания, мы опробовали эксперименты с пациентами, пораженными COVID, с их рентгенограммами грудной клетки. Ранний стремительный рост эпидемии потребовал наличия специалистов в этой области. Это увеличило склонность к созданию автоматизированных систем обнаружения, основанных на методах машинного обучения.

Создать модель глубокого обучения, которая будет определять, инфицирован пациент или нет, на основе его/ее рентгеновского снимка легких. Методы трансферного обучения направлены на повышение точности модели нейронной сети, поскольку набора данных рентгеновских изображений легких, связанных с COVID-19, недостаточно для управления небольшим набором данных рентгенографии грудной клетки и обучения модели на этих наборах данных. .

Мы стремимся разработать более быструю и точную технику обнаружения COVID-19, классифицируя рентгеновские изображения по трем различным классам: норма, пневмония и COVID-19 на основе сверточной нейронной сети, обученной на ограниченном наборе рентгеновских изображений COVID-19. . Мы попробовали некоторые методы обучения, которые помогают сети лучше учиться, когда у нас есть несбалансированный набор данных, в котором данные о COVID ограничены. Наряду с этим наша цель ориентирована на разработку нейронной сети с точным и точным результатом с набором данных несбалансированных элементов данных и архитектурой с оптимальными результатами в случае меньшего количества наборов данных, доступных для рентгеновских изображений COVID-19.

Литературный обзор

Мы просмотрели несколько исследовательских работ, чтобы посмотреть, что было сделано до сих пор.

Материалы и методология

Наборы данных

  1. 1199 рентгенограмм грудной клетки пациентов с COVID-19.
  2. 1341 Рентген грудной клетки нормальных людей без каких-либо вирусных заболеваний.
  3. 1345 Рентгенограммы грудной клетки пациентов с вирусной пневмонией.

Этот набор данных был получен из Kaggle. Он был разработан группой исследователей из Катарского университета в Дохе. Этот набор данных был удостоен награды Kaggle за набор данных COVID-19.

Методология

Предварительная обработка изображения

  1. Изменить масштаб
  2. Повернуть
  3. Увеличить

Предлагаемый алгоритм

  1. Предварительная обработка изображения
  2. Модель
  3. РАЗРЫВ 2D
  4. Плотные слои
  5. Софт-макс

Предлагаемая модель

Модель, предложенная в этом проекте, представляет собой модифицированную версию DenseNet121.

Используемые показатели

  1. Оценка F-1.
  2. Точность.
  3. Отзывать.
  4. Точность.

Экспериментальные результаты и сравнение

Полученные результаты

Класс 0 — COVID, класс 1 — вирусная пневмония, класс 2 — норма.

Из DenseNet121 для класса 0 точность составляет 0,95, полнота — 0,93, а показатель F-1 — 0,939 для класса Точность 1 – 0,937, полнота – 0,913, оценка F-1 – 0,924, точность класса 2 – 0,954. , полнота – 0,944, а показатель F-1 – 0,948. Средняя точность составляет 0,94.

Из DenseNet121 (Cut Last Dense-Block и прикрепленный GAP + Soft-max) для класса 0 точность составляет 1,00, полнота 0,97, F- 1 балл – 0,98, точность класса 1 – 0,89, отзыв – 0,99, балл F-1 – 0,94 , для класса 2 точность 0,97, полнота 0,99, оценка F-1 0,93. Средняя точность составляет 0,95.

Предлагаемый результат модели

Поддержка классов COVID, Pneumonia и Normal составляет 60, 68 и 68 соответственно.

Сравнение моделей

Заключение

В этом проекте мы представили разные типы нейросетевых моделей и выбрали лучший. В результате DenseNet121 дает наилучшие результаты, когда речь идет о классификации рентгеновских изображений грудной клетки по трем категориям: обычные, пневмония и COVID-19. Мы предложили метод обучения нейронной сети, в котором мы удалили последний блок нейронной сети и заменили его дополнительными слоями, такими как GAP, soft-max и плотный слой. Мы выбрали число каждого класса, которое почти равно друг другу, чтобы наша сеть могла изучать характеристики COVID-19 в дополнение к двум другим классам. В результате мы смогли добиться общей точности 96,40 процента. Мы надеемся, что наша модель будет полезна для медицинской диагностики в будущем. Мы также надеемся, что в будущем станут доступны более крупные наборы данных о пациентах с COVID-19, что позволит нам еще больше повысить точность нашей модели.

Примечание. Это исследование было проведено в 2020–2021 годах, поэтому, если есть какая-либо информация о точности, пожалуйста, не стесняйтесь обращаться ко мне с любым запросом и если кто-то хочет внести свой вклад и продолжить этот проект. , то вот подробная информация, по которой вы можете связаться со мной.

Гит-хаб: https://github.com/shreyash184/CovidResearch

LinkedIn: https://in.linkedin.com/in/shreyash-chavhan-609839163

Инстаграм: _shreyash184.