Published May 21, 2024
| Version v1
Publication
Open
COVID‑19 detection from chest X-ray images using transfer learning
Description
COVID-19 is a kind of coronavirus that appeared in China in the Province of Wuhan in December 2019. The most significant influence of this virus is its very highly contagious characteristic which may lead to death. The standard diagnosis of COVID-19 is based on swabs from the throat and nose, their sensitivity is not high enough and so they are prone to errors. Early diagnosis of COVID-19 disease is important to provide the chance of quick isolation of the suspected cases and to decrease the opportunity of infection in healthy people. In this research, a framework for chest X-ray image classification tasks based on deep learning is proposed to help in early diagnosis of COVID-19. The proposed framework contains two phases which are the pre-processing phase and classification phase which uses pre-trained convolution neural network models based on transfer learning. In the pre-processing phase, different image enhancements have been applied to full and segmented X-ray images to improve the classification performance of the CNN models. Two CNN pre-trained models have been used for classification which are VGG19 and EfficientNetB0. From experimental results, the best model achieved a sensitivity of 0.96, specificity of 0.94, precision of 0.9412, F1 score of 0.9505 and accuracy of 0.95 using enhanced full X-ray images for binary classification of chest X-ray images into COVID-19 or normal with VGG19. The proposed framework is promising and achieved a classification accuracy of 0.935 for 4-class classification.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
COVID -19 هو نوع من فيروس كورونا الذي ظهر في الصين في مقاطعة ووهان في ديسمبر 2019. التأثير الأكثر أهمية لهذا الفيروس هو خاصيته المعدية للغاية والتي قد تؤدي إلى الموت. يعتمد التشخيص القياسي لـ COVID -19 على مسحات من الحلق والأنف، وحساسيتها ليست عالية بما فيه الكفاية وبالتالي فهي عرضة للأخطاء. التشخيص المبكر لمرض كوفيد-19 مهم لتوفير فرصة العزل السريع للحالات المشتبه فيها وتقليل فرصة العدوى لدى الأشخاص الأصحاء. في هذا البحث، يُقترح إطار عمل لمهام تصنيف صور الأشعة السينية للصدر بناءً على التعلم العميق للمساعدة في التشخيص المبكر لـ COVID -19. يحتوي الإطار المقترح على مرحلتين هما مرحلة ما قبل المعالجة ومرحلة التصنيف التي تستخدم نماذج الشبكة العصبية الالتفافية المدربة مسبقًا بناءً على تعلم النقل. في مرحلة ما قبل المعالجة، تم تطبيق تحسينات مختلفة للصور على صور الأشعة السينية الكاملة والمجزأة لتحسين أداء تصنيف نماذج CNN. تم استخدام نموذجين مدربين مسبقًا من CNN للتصنيف وهما VGG19 و EfficientNetB0. من النتائج التجريبية، حقق أفضل نموذج حساسية 0.96، وخصوصية 0.94، ودقة 0.9412، ودرجة F1 0.9505 ودقة 0.95 باستخدام صور الأشعة السينية الكاملة المحسنة للتصنيف الثنائي لصور الأشعة السينية للصدر إلى COVID -19 أو طبيعية مع VGG19. الإطار المقترح واعد وحقق دقة تصنيف 0.935 لتصنيف 4 فئات.Translated Description (French)
Le COVID-19 est une sorte de coronavirus apparu en Chine dans la province de Wuhan en décembre 2019. L'influence la plus importante de ce virus est sa caractéristique très hautement contagieuse qui peut entraîner la mort. Le diagnostic standard de COVID-19 est basé sur des écouvillons de la gorge et du nez, leur sensibilité n'est pas assez élevée et ils sont donc sujets aux erreurs. Le diagnostic précoce de la maladie à COVID-19 est important pour permettre l'isolement rapide des cas suspects et réduire le risque d'infection chez les personnes en bonne santé. Dans cette recherche, un cadre pour les tâches de classification des images radiographiques thoraciques basées sur l'apprentissage en profondeur est proposé pour aider au diagnostic précoce de la COVID-19. Le cadre proposé contient deux phases qui sont la phase de prétraitement et la phase de classification qui utilise des modèles de réseau neuronal à convolution pré-entraînés basés sur l'apprentissage par transfert. Au cours de la phase de prétraitement, différentes améliorations d'image ont été appliquées aux images radiographiques complètes et segmentées pour améliorer les performances de classification des modèles CNN. Deux modèles pré-entraînés CNN ont été utilisés pour la classification, à savoir VGG19 et EfficientNetB0. À partir des résultats expérimentaux, le meilleur modèle a atteint une sensibilité de 0,96, une spécificité de 0,94, une précision de 0,9412, un score F1 de 0,9505 et une précision de 0,95 en utilisant des images radiographiques complètes améliorées pour la classification binaire des images radiographiques pulmonaires en COVID-19 ou normales avec VGG19. Le cadre proposé est prometteur et a atteint une précision de classification de 0,935 pour la classification à 4 classes.Translated Description (Spanish)
El COVID-19 es un tipo de coronavirus que apareció en China en la provincia de Wuhan en diciembre de 2019. La influencia más significativa de este virus es su característica altamente contagiosa que puede conducir a la muerte. El diagnóstico estándar de COVID-19 se basa en hisopos de la garganta y la nariz, su sensibilidad no es lo suficientemente alta y, por lo tanto, son propensos a errores. El diagnóstico precoz de la enfermedad COVID-19 es importante para proporcionar la posibilidad de aislamiento rápido de los casos sospechosos y para disminuir la posibilidad de infección en personas sanas. En esta investigación, se propone un marco para las tareas de clasificación de imágenes de rayos X de tórax basadas en el aprendizaje profundo para ayudar en el diagnóstico precoz de COVID-19. El marco propuesto contiene dos fases, la fase de preprocesamiento y la fase de clasificación, que utiliza modelos de redes neuronales de convolución preentrenados basados en el aprendizaje por transferencia. En la fase de preprocesamiento, se han aplicado diferentes mejoras de imagen a imágenes de rayos X completas y segmentadas para mejorar el rendimiento de clasificación de los modelos CNN. Se han utilizado dos modelos pre-entrenados de CNN para la clasificación que son VGG19 y EfficientNetB0. A partir de los resultados experimentales, el mejor modelo logró una sensibilidad de 0.96, especificidad de 0.94, precisión de 0.9412, puntaje F1 de 0.9505 y precisión de 0.95 utilizando imágenes de rayos X completas mejoradas para la clasificación binaria de imágenes de rayos X de tórax en COVID-19 o normal con VGG19. El marco propuesto es prometedor y logró una precisión de clasificación de 0,935 para la clasificación de 4 clases.Files
s41598-024-61693-0.pdf.pdf
Files
(4.0 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:33a543661fb6ecf0969a4a0c94b541ac
|
4.0 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- الكشف عن كوفيد-19 من صور الأشعة السينية للصدر باستخدام تعلم النقل
- Translated title (French)
- Détection de la COVID‑19 à partir d'images radiographiques pulmonaires à l'aide de l'apprentissage par
- Translated title (Spanish)
- Detección de COVID‑19 a partir de imágenes de rayos X de tórax mediante aprendizaje por transferencia
Identifiers
- Other
- https://openalex.org/W4398160456
- DOI
- 10.1038/s41598-024-61693-0
References
- https://openalex.org/W2117539524
- https://openalex.org/W2136118810
- https://openalex.org/W2194775991
- https://openalex.org/W2788633781
- https://openalex.org/W2912250162
- https://openalex.org/W2963881378
- https://openalex.org/W3004227146
- https://openalex.org/W3007764760
- https://openalex.org/W3013130152
- https://openalex.org/W3030621456
- https://openalex.org/W3045460727
- https://openalex.org/W3106539405
- https://openalex.org/W3118577024
- https://openalex.org/W3136753563
- https://openalex.org/W3197433849
- https://openalex.org/W4285404792
- https://openalex.org/W4313574747
- https://openalex.org/W4321254558
- https://openalex.org/W4386175322
- https://openalex.org/W4386318824