Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 4

A Neural Network Designed for COVID-19 Detection Using CT Images

Sieć neuronowa zaprojektowana do wykrywania COVID-19 za pomocą obrazów tomografii komputerowej

10.15199/48.2024.04.29

nr katalogowy: 148129
10.15199/48.2024.04.29

Streszczenie

To quickly identify COVID-19 and stop its spread, Computer Tomography (CT) imaging of the chest is a reliable diagnostic method. In this work we implement a deep neural network based on Convolutional Neural Network (CNN), to effectively distinguish between healthy CT images and COVID-19 CT images. The final architecture allows for 91.6% accuracy, which is a 2% improvement over the first one. The result obtained can be very useful in medical diagnostics, particularly in the Covid-19 case. The implemented CNN model takes 2-3 seconds to run on a medium-end laptop without GPU acceleration

Abstract

Aby szybko zidentyfikować COVID-19 i zatrzymać jego rozprzestrzenianie się, niezawodną metodą diagnostyczną jest tomografia komputerowa (CT) klatki piersiowej. W tej pracy wdrażamy głęboką sieć neuronową opartą na konwolucyjnej sieci neuronowej (CNN), aby skutecznie rozróżniać zdrowe obrazy CT od obrazów CT COVID-19. Ostateczna architektura pozwala na dokładność na poziomie 91,6%, co stanowi poprawę o 2% w stosunku do pierwszej. Uzyskany wynik może być bardzo przydatny w diagnostyce medycznej, szczególnie w przypadku Covid-19. Zaimplementowany model CNN działa w ciągu 2-3 sekund na laptopie średniej klasy bez akceleracji GPU.

Słowa kluczowe

Keywords

Bibliografia

[1] Applications to Combat Novel Coronavirus (COVID-19) Pandemic. SN COMPUT. SCI. 1, 363 (2020).
[2] Beck BR, Shin B, Choi Y, Park S, Kang K. Predicting commercially available antiviral drugs that may act on the novel coronavirus (SARS-CoV-2) through a drug-target interaction deep learning model. Comput Struct Biotechnol J. 2020;18:784–90.
[3] Bernheim, A., Mei, X.Y., Huang, M.Q., Yang, Y., Fayad, Z.A., Zhang, N., Diao, K.Y., Lin, B., Zhu, X.Q., Li, K.W., Li, S.L., Shan, H., Jacobi, A., Chung, M. (2020). Chest CT findings in coronavirus disease-19 (COVID-19): relationship to duration of infection. Radiology, 295(3): 685-691.
[4] Tinnathi, S., Sudhavani, G. (2021). An efficient copy move for gery detection using adaptive watershed segmentation with AGSO and hybrid feature extraction. Journal of Visual Communication and Image Representation, 74: 102966.
[5] Wu, Y.H., Gao, S.H., Mei, J., Xu, J., Fan, D.P., Zhang, R.G., Cheng, M.M. (2021). JCS: An explainable COVID-19 diagnosis system by joint classification and segmentation. In IEEE Transactions on Image Processing, IEEE, 30: 3113-3126.
[6] Paules, C.I., Marston, H.D., Fauci, A.S. (2020). Coronavirus infections-more than just the common cold. Jama Network, 323(8): 707-708.
[7] Shi, F., Wang, J., Shi, J., Wu, Z.Y., Wang, Q., Tang, Z.Y., He, K., Shi, Y.H., Shen, D.G. (2020). Review of artificial intelligence techniques in imaging data acquisition, segmentation, and diagnosis for COVID-19. In IEEE Reviews in Biomedical Engineering, IEEE, 14: 4-15.
[8] Chung, M., Bernheim, A., Mei, X.Y., Zhang, N., Huang, M.Q., Zeng, X.J., Cui, J.F., Xu, W.J., Yang, Y., Fayad, Z.A., Jacobi, A., Li, K.W., Li, S.L., Shan, H. (2020). CT imaging features of 2019 novel coronavirus (2019- nCoV). Radiology, 295(1): 202- 207.
[9] Huang, Y.P., Singh, P., Kuo, H.C. (2020). A hybrid fuzzy clustering approach for the recognition and visualization of MRI images of Parkinson’s disease. In IEEE Access, IEEE, 8: 25041-25051.
[10] Moftah, H.M., Azar, A.T., Al-Shammari, E.T., Ghali, N.I., Hassanien, A.E., Shoman, M. (2014). Adaptive kmeans clustering algorithm for MR breast image segmentation. Neural Computing and Applications, 24: 1917-1928.
[11] Xu, R., Wunsch, D. (2005). Survey of clustering algorithms. In IEEE Transactions on Neural Networks, IEEE, 16(3): 645- 678.
[12] Zhu H, Guo Q, Li M, Wang C, Fang Z, Wang P, Tan J, Wu S, Xiao Y. Host and infectivity prediction of Wuhan 2019 novel coronavirus using deep learning algorithm. BioRxiv. 2020.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-4 , nr katalogowy 148129 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-4 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-4

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma