Published December 29, 2023
| Version v1
Publication
Open
COVID-19 classification based on a deep learning and machine learning fusion technique using chest CT images
- 1. Minia University
- 2. Egyptian Russian University
Description
Abstract Coronavirus disease (COVID-19), impacted by SARS-CoV-2, is one of the greatest challenges of the twenty-first century. COVID-19 broke out in the world over the last 2 years and has caused many injuries and killed persons. Computer-aided diagnosis has become a necessary tool to prevent the spreading of this virus. Detecting COVID-19 at an early stage is essential to reduce the mortality risk of patients. Researchers seek to find rapid solutions based on techniques of Machine Learning and Deep Learning. In this paper, we introduced a hybrid model for COVID-19 detection based on machine learning and deep learning models. We used 10 different deep CNN network models to extract features from CT images. We extract features from different layers in each network and find the optimum layer that gives the best-extracted features for each CNN network. Then, for classifying these features, we used five different classifiers based on machine learning. The dataset consists of 2481 CT images divided into COVID-19 and non-COVID-19 categories. Three folds are extracted with a different size between testing and training. Through experiments, we define the best layer for all used CNN networks, the best network, and the best-used classifier. The measured performance shows the superiority of the proposed system over the literature with a highest accuracy of 99.39%. Our models are tested with the three folds that gained maximum average accuracy. The result is 98.69%.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يعد مرض فيروس كورونا المستجد (COVID -19)، المتأثر بفيروس كورونا 2 المرتبط بمتلازمة الجهاز التنفسي الحادة الوخيمة (SARS - CoV -2)، أحد أكبر التحديات في القرن الحادي والعشرين. انتشر فيروس كورونا (كوفيد-19) في العالم على مدى العامين الماضيين وتسبب في العديد من الإصابات وقتل الأشخاص. أصبح التشخيص بمساعدة الكمبيوتر أداة ضرورية لمنع انتشار هذا الفيروس. يعد الكشف عن COVID -19 في مرحلة مبكرة أمرًا ضروريًا لتقليل خطر وفيات المرضى. يسعى الباحثون إلى إيجاد حلول سريعة تعتمد على تقنيات التعلم الآلي والتعلم العميق. في هذه الورقة، قدمنا نموذجًا هجينًا للكشف عن COVID -19 استنادًا إلى التعلم الآلي ونماذج التعلم العميق. استخدمنا 10 نماذج مختلفة لشبكة سي إن إن العميقة لاستخراج الميزات من الصور المقطعية. نستخرج الميزات من طبقات مختلفة في كل شبكة ونجد الطبقة المثلى التي توفر أفضل الميزات المستخرجة لكل شبكة CNN. ثم، لتصنيف هذه الميزات، استخدمنا خمسة مصنفات مختلفة بناءً على التعلم الآلي. تتكون مجموعة البيانات من 2481 صورة CT مقسمة إلى فئات COVID -19 وغير COVID -19. يتم استخراج ثلاث طيات بحجم مختلف بين الاختبار والتدريب. من خلال التجارب، نحدد أفضل طبقة لجميع شبكات CNN المستخدمة، وأفضل شبكة، وأفضل مصنف مستخدم. يُظهر الأداء المقاس تفوق النظام المقترح على الأدبيات بأعلى دقة بنسبة 99.39 ٪. يتم اختبار طرازاتنا باستخدام الطيات الثلاث التي اكتسبت أقصى قدر من الدقة المتوسطة. والنتيجة هي 98.69%.Translated Description (French)
Résumé La maladie à coronavirus (COVID-19), touchée par le SRAS-CoV-2, est l'un des plus grands défis du XXIe siècle. La COVID-19 a éclaté dans le monde au cours des 2 dernières années et a causé de nombreuses blessures et tué des personnes. Le diagnostic assisté par ordinateur est devenu un outil nécessaire pour prévenir la propagation de ce virus. La détection précoce de la COVID-19 est essentielle pour réduire le risque de mortalité des patients. Les chercheurs cherchent à trouver des solutions rapides basées sur des techniques d'apprentissage automatique et d'apprentissage profond. Dans cet article, nous avons présenté un modèle hybride pour la détection de la COVID-19 basé sur des modèles d'apprentissage automatique et d'apprentissage profond. Nous avons utilisé 10 modèles de réseau CNN profonds différents pour extraire les caractéristiques des images de tomodensitométrie. Nous extrayons les caractéristiques de différentes couches dans chaque réseau et trouvons la couche optimale qui donne les meilleures caractéristiques extraites pour chaque réseau CNN. Ensuite, pour classer ces fonctionnalités, nous avons utilisé cinq classificateurs différents basés sur l'apprentissage automatique. L'ensemble de données se compose de 2481 images CT divisées en catégories COVID-19 et non-COVID-19. Trois plis sont extraits avec une taille différente entre le test et l'entraînement. Grâce à des expériences, nous définissons la meilleure couche pour tous les réseaux CNN utilisés, le meilleur réseau et le classificateur le mieux utilisé. La performance mesurée montre la supériorité du système proposé sur la littérature avec une précision maximale de 99,39 %. Nos modèles sont testés avec les trois plis qui ont gagné une précision moyenne maximale. Le résultat est 98,69%.Translated Description (Spanish)
Resumen La enfermedad por coronavirus (COVID-19), afectada por el SARS-CoV-2, es uno de los mayores desafíos del siglo XXI. El COVID-19 estalló en el mundo en los últimos 2 años y ha causado muchas lesiones y muertes. El diagnóstico asistido por ordenador se ha convertido en una herramienta necesaria para prevenir la propagación de este virus. La detección de COVID-19 en una etapa temprana es esencial para reducir el riesgo de mortalidad de los pacientes. Los investigadores buscan encontrar soluciones rápidas basadas en técnicas de Machine Learning y Deep Learning. En este documento, presentamos un modelo híbrido para la detección de COVID-19 basado en modelos de aprendizaje automático y aprendizaje profundo. Utilizamos 10 modelos diferentes de redes profundas de CNN para extraer características de imágenes de TC. Extraemos características de diferentes capas en cada red y encontramos la capa óptima que proporciona las características mejor extraídas para cada red CNN. Luego, para clasificar estas características, utilizamos cinco clasificadores diferentes basados en el aprendizaje automático. El conjunto de datos consta de 2481 imágenes de TC divididas en categorías COVID-19 y no COVID-19. Se extraen tres pliegues con un tamaño diferente entre la prueba y el entrenamiento. A través de experimentos, definimos la mejor capa para todas las redes CNN utilizadas, la mejor red y el clasificador mejor utilizado. El rendimiento medido muestra la superioridad del sistema propuesto sobre la literatura con una precisión más alta del 99.39%. Nuestros modelos se prueban con los tres pliegues que obtuvieron la máxima precisión media. El resultado es del 98,69%.Files
s00521-023-09346-7.pdf.pdf
Files
(1.3 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:50a19d98c165fa3b666c388d3c920661
|
1.3 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تصنيف COVID -19 بناءً على تقنية دمج التعلم العميق والتعلم الآلي باستخدام صور التصوير المقطعي المحوسب للصدر
- Translated title (French)
- Classification COVID-19 basée sur une technique de fusion d'apprentissage profond et d'apprentissage automatique utilisant des images tomodensitométriques thoraciques
- Translated title (Spanish)
- Clasificación COVID-19 basada en una técnica de fusión de aprendizaje profundo y aprendizaje automático utilizando imágenes de TC de tórax
Identifiers
- Other
- https://openalex.org/W4390397628
- DOI
- 10.1007/s00521-023-09346-7
References
- https://openalex.org/W1485394033
- https://openalex.org/W1534477342
- https://openalex.org/W1676820704
- https://openalex.org/W1907465059
- https://openalex.org/W2061351061
- https://openalex.org/W2097117768
- https://openalex.org/W2203777347
- https://openalex.org/W2473394283
- https://openalex.org/W2570343428
- https://openalex.org/W2611194840
- https://openalex.org/W2614710595
- https://openalex.org/W2784272016
- https://openalex.org/W2893347629
- https://openalex.org/W2963163009
- https://openalex.org/W2990426214
- https://openalex.org/W3017210109
- https://openalex.org/W3019449959
- https://openalex.org/W3020848637
- https://openalex.org/W3044223324
- https://openalex.org/W3089168916
- https://openalex.org/W3111064850
- https://openalex.org/W3114958142
- https://openalex.org/W3130844452
- https://openalex.org/W3148181069
- https://openalex.org/W3155739706
- https://openalex.org/W3156436924
- https://openalex.org/W3159001838
- https://openalex.org/W3171209763
- https://openalex.org/W3190059072
- https://openalex.org/W3206185188
- https://openalex.org/W4200294955
- https://openalex.org/W4205555940
- https://openalex.org/W4206767658
- https://openalex.org/W4210613509
- https://openalex.org/W4285584693
- https://openalex.org/W4294190062
- https://openalex.org/W4321438506