Published May 11, 2021
| Version v1
Publication
Open
Per-Covid-19: A Benchmark Database For Covid-19 Percentage Prediction From CT-scans
Creators
- 1. Université de Lille
- 2. National Research Council
- 3. University of Biskra
- 4. Centre National de la Recherche Scientifique
- 5. Université Polytechnique Hauts-de-France
- 6. École Centrale de Lille
- 7. Institut d'électronique de microélectronique et de nanotechnologie
- 8. University of Salento
- 9. Innovation Engineering (Italy)
Description
Abstract Covid-19 infection recognition is very important step in the fighting against the new pandemic Covid-19. In fact, many methods have been used to recognize the Covid-19 infection including Reverse transcription polymerase chain reaction (RT-PCR), X-ray scan and CT-scan. In addition to the recognition of the Covid-19 infection, CT-scans can provide more important information about the evolution of this disease and its severity. With the extensive number of Covid-19 infections, estimating the Covid-19 percentage can help the intensive care to free up the resuscitation beds for the critical cases and follow other protocol for less severity cases. In this paper, we propose Covid-19 percentage estimation database. Moreover, we evaluate the performance of three Covolutional Neural Network (CNN) architectures which are ResneXt-50, Densenet-161 and Inception-v3. For the three CNN architectures, we use two loss functions which are MSE and Dynamic Huber. In addition, two pretrained scenarios are investigated (ImageNet pretrained models and X-ray pretrained models). The evaluated approaches achieved promising results, where Inception-v3 with using Dynamic Huber loss function and X-ray pretrained model achieved the best performance.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يعد التعرف المجرد على عدوى Covid -19 خطوة مهمة جدًا في مكافحة جائحة Covid -19 الجديدة. في الواقع، تم استخدام العديد من الطرق للتعرف على عدوى Covid -19 بما في ذلك تفاعل سلسلة بوليميراز النسخ العكسي (RT - PCR)، ومسح الأشعة السينية والمسح المقطعي المحوسب. بالإضافة إلى التعرف على عدوى كوفيد-19، يمكن أن توفر الأشعة المقطعية معلومات أكثر أهمية حول تطور هذا المرض وشدته. مع العدد الهائل من إصابات كوفيد-19، يمكن أن يساعد تقدير نسبة كوفيد-19 العناية المركزة على تحرير أسرة الإنعاش للحالات الحرجة واتباع بروتوكول آخر للحالات الأقل شدة. في هذه الورقة، نقترح قاعدة بيانات تقدير النسبة المئوية لكوفيد-19. علاوة على ذلك، نقوم بتقييم أداء ثلاثة هياكل للشبكة العصبية التطورية (CNN) وهي ResneXt -50 و Densenet -161 و Inception - v3. بالنسبة لبنى CNN الثلاثة، نستخدم وظيفتي فقدان هما MSE و Dynamic Huber. بالإضافة إلى ذلك، يتم التحقيق في سيناريوهين مدربين مسبقًا (نماذج ImageNet المدربة مسبقًا ونماذج الأشعة السينية المدربة مسبقًا). حققت الأساليب التي تم تقييمها نتائج واعدة، حيث حققت Inception - v3 باستخدام وظيفة Dynamic Huber loss ونموذج التدريب المسبق للأشعة السينية أفضل أداء.Translated Description (French)
Résumé La reconnaissance de l'infection par le Covid-19 est une étape très importante dans la lutte contre la nouvelle pandémie de Covid-19. En fait, de nombreuses méthodes ont été utilisées pour reconnaître l'infection par le Covid-19, notamment la réaction en chaîne par polymérase de transcription inverse (RT-PCR), la radiographie et la tomodensitométrie. En plus de la reconnaissance de l'infection par le Covid-19, les tomodensitogrammes peuvent fournir des informations plus importantes sur l'évolution de cette maladie et sa gravité. Avec le grand nombre d'infections par le Covid-19, l'estimation du pourcentage de Covid-19 peut aider les soins intensifs à libérer les lits de réanimation pour les cas critiques et à suivre un autre protocole pour les cas moins graves. Dans cet article, nous proposons une base de données d'estimation du pourcentage de Covid-19. De plus, nous évaluons les performances de trois architectures de réseau neuronal covolutionnel (CNN) qui sont ResneXt-50, Densenet-161 et Inception-v3. Pour les trois architectures CNN, nous utilisons deux fonctions de perte qui sont MSE et Dynamic Huber. En outre, deux scénarios pré-entraînés sont étudiés (modèles pré-entraînés ImageNet et modèles pré-entraînés aux rayons X). Les approches évaluées ont obtenu des résultats prometteurs, où Inception-v3 avec l'utilisation de la fonction de perte de Huber dynamique et du modèle pré-entraîné par rayons X a obtenu les meilleures performances.Translated Description (Spanish)
Resumen El reconocimiento de la infección por Covid-19 es un paso muy importante en la lucha contra la nueva pandemia Covid-19. De hecho, se han utilizado muchos métodos para reconocer la infección por Covid-19, incluida la reacción en cadena de la polimerasa de transcripción inversa (RT-PCR), la exploración por rayos X y la exploración por TC. Además del reconocimiento de la infección por Covid-19, las tomografías computarizadas pueden proporcionar información más importante sobre la evolución de esta enfermedad y su gravedad. Con la gran cantidad de infecciones por Covid-19, estimar el porcentaje de Covid-19 puede ayudar a los cuidados intensivos a liberar las camas de reanimación para los casos críticos y seguir otro protocolo para los casos menos graves. En este trabajo, proponemos una base de datos de estimación de porcentajes de Covid-19. Además, evaluamos el rendimiento de tres arquitecturas de Red Neural Covolucional (CNN) que son ResneXt-50, Densenet-161 e Inception-v3. Para las tres arquitecturas de CNN, utilizamos dos funciones de pérdida que son MSE y Dynamic Huber. Además, se investigan dos escenarios pre-entrenados (modelos pre-entrenados de ImageNet y modelos pre-entrenados de rayos X). Los enfoques evaluados lograron resultados prometedores, donde Inception-v3 con el uso de la función de pérdida dinámica de Huber y el modelo preentrenado de rayos X logró el mejor rendimiento.Files
latest.pdf.pdf
Files
(366.8 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:6c7475afbc6da3020f098891e2241bd8
|
366.8 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- Per - Covid -19: قاعدة بيانات مرجعية للتنبؤ بالنسبة المئوية لـ Covid -19 من الأشعة المقطعية
- Translated title (French)
- Per-Covid-19 : une base de données de référence pour la prédiction du pourcentage de Covid-19 à partir de tomodensitogrammes
- Translated title (Spanish)
- Per-Covid-19: una base de datos de referencia para la predicción del porcentaje de Covid-19 a partir de tomografías computarizadas
Identifiers
- Other
- https://openalex.org/W3163660413
- DOI
- 10.21203/rs.3.rs-491375/v1
References
- https://openalex.org/W1901129140
- https://openalex.org/W2117539524
- https://openalex.org/W2183341477
- https://openalex.org/W2549139847
- https://openalex.org/W2963446712
- https://openalex.org/W3003901880
- https://openalex.org/W3011414569
- https://openalex.org/W3024506939
- https://openalex.org/W3027763298
- https://openalex.org/W3028070348
- https://openalex.org/W3034533255
- https://openalex.org/W3105081694
- https://openalex.org/W3120191671
- https://openalex.org/W3121971531
- https://openalex.org/W3127753977
- https://openalex.org/W3133932812
- https://openalex.org/W3135627022
- https://openalex.org/W3138558221
- https://openalex.org/W3156011032
- https://openalex.org/W3158097511
- https://openalex.org/W4249736682
- https://openalex.org/W4295312788