Deep Learning para ayudar a combatir el COVID - 19

[italocontreras135]

Paper 1: Automated Deep Transfer Learning-Based Approach for Detection of COVID-19 Infection in Chest X-rays



Descripcion

El objetivo de este documento es desarrollar un enfoque automatizado basado en el aprendizaje de transferencia profunda para la detección de la infección por COVID-19 en radiografías de tórax utilizando la versión extrema del modelo Inception (Xception).
Se utilizan técnicas de imagen radiológica como radiografías de tórax y tomografía computarizada (TC) para detectar y diagnosticar COVID-19.xAdemás de esto, los rayos X tienen bajas radiaciones ionizantes que la tomografía computarizada

Experimentacion

Hemos utilizado tres conjuntos de datos de rayos X de tórax que contiene tres clases como COVID-19 (+), neumonía (+) pero COVID-19 (-) y otras infecciones excepto COVID-19 y neumonía.
Hemos utilizado un conjunto de datos del 70% con fines de capacitación. Conjunto de datos restante se divide en fracciones del 10% y el 20% para su validación y
propósito de prueba, respectivamente.
Tb se hizo análisis de la tasa de verdaderos positivos y la tasa de falsos positivos entre los modelos competitivos propuestos y algunos conocidos. Se muestra claramente que el modelo propuesto logra valores de área bajo la curva (AUC) significativamente mejores en comparación con el modelos competitivos.

Conclusion

Para superar el problema de menor sensibilidad con RT-PCR, en este artículo se utilizaron imágenes de rayos X de tórax para detectar y diagnosticar COVID-19. Se prefirieron las radiografías de tórax a las tomografías computarizadas. Como rayos X Las máquinas son más baratas que las máquinas de tomografía computarizada, por lo tanto,
tienen radiografías de tórax preferidas. Además de esto, los rayos X tienen baja radiaciones ionizantes que la tomografía computarizada.

Referencia

https://www.sciencedirect.com/science/a ... 1820301172


Paper 2: COVID-19 detection using deep learning models to exploit Social Mimic Optimization and structured chest X-ray images using fuzzy color and stacking approaches


Descripcion

El coronavirus causa una amplia variedad de infecciones respiratorias y es un virus de tipo ARN que puede infectar tanto seres humanos y especies animales. A menudo causa neumonía en humanos. Los modelos de inteligencia artificial han sido útil para análisis exitosos en el campo biomédico.
En este estudio, el coronavirus se detectó utilizando un modelo de aprendizaje con redes neuronales que es una subrama de la inteligencia artificial.

Experimentacion

Nuestro conjunto de datos consta de tres clases, a saber: coronavirus, neumonía e imágenes de rayos X normales.
Las clases de datos se reestructuraron utilizando el La técnica Fuzzy Color como paso de preprocesamiento y las imágenes que se estructuraron con las imágenes originales fueron apilados. En el siguiente paso, el conjunto de datos apilados se entrenó con modelos de aprendizaje profundo (MobileNetV2, SqueezeNet) y los conjuntos de características obtenidos por los modelos se procesaron utilizando el método de optimización Social Mimic.
A partir de entonces, las características eficientes se combinaron y clasificaron utilizando Support Vector Machines (SVM). El general La tasa de clasificación obtenida con el enfoque propuesto fue del 99,27%. Con el enfoque propuesto en este estudio, es evidente que el modelo puede contribuir eficazmente a la detección de la enfermedad COVID-19.

Conclusion:

Es probable que las personas infectadas con COVID-19 sufran daños permanentes en los pulmones, que luego pueden provocar la muerte. Este estudio tuvo como objetivo distinguir a las personas con pulmones dañados debido al COVID-19 de las normales individuos o neumonía (no infectada por COVID-19). La detección de COVID-19 se realizó utilizando modelos de aprendizaje profundo. Ya que es importante para detectar COVID-19 que se propaga rápida y globalmente, la IA Se utilizan técnicas para realizar esto con precisión y rapidez.

Referencia

https://www.sciencedirect.com/science/a ... 2520301736