Ein effektives Screening von COVID‐19 Pneumonie durch Anwendung von Brust-Röntgen-Segmentierung und auf Aufmerksamkeit basierender Ensemble-Klassifikation

Zusammenfassung Eine schnelle und genaue Diagnose von COVID‐19 ist entscheidend, um die Übertragung zu verhindern. Brust-Röntgenbilder (CXR) werden häufig zur Diagnose verwendet, jedoch können selbst erfahrene Radiologen die Ergebnisse falsch interpretieren, was eine computerunterstützte Diagnose erforderlich macht. Deep Learning hat bereits günstige Ergebnisse geliefert, jedoch kann es aufgrund von Rauschen und begrenzten Datensätzen zu Überanpassung, übermäßiger Varianz und Verallgemeinerungsfehlern kommen. Ensemble-Lernen kann Vorhersagen durch den Einsatz robuster Techniken verbessern. Daher schlägt diese Studie eine doppelte Strategie vor, die fortschrittliche und robuste Algorithmen kombiniert, darunter DenseNet201, EfficientNetB7 und Xception, um eine schnellere und genauere COVID‐19-Erkennung zu erreichen. Segmentierte Lungenbilder wurden aus CXR-Bildern unter Verwendung des Residual U-Net-Modells generiert, und zwei auf Aufmerksamkeit basierende Ensemble-neuronale Netze wurden für die Klassifikation verwendet. Der COVID‐19-Radiographiedatensatz wurde verwendet, um den vorgeschlagenen Ansatz zu bewerten, der eine Genauigkeit von 98,21 %, 93,4 % und 89,06 % für zwei, drei bzw. vier Klassen erreichte und frühere Studien in erheblichem Maße übertraf, indem er COVID, virale Pneumonie und Lungenopazität gleichzeitig betrachtete. Trotz der Ähnlichkeit in CXR-Bildern von COVID, Pneumonie und Lungenopazität erreichte der vorgeschlagene Ansatz eine Genauigkeit von 89,06 % und demonstrierte seine Fähigkeit, unterscheidbare Merkmale zu erkennen. Der entwickelte Algorithmus wird voraussichtlich in Kliniken zur Diagnose verschiedener Krankheiten mithilfe von Röntgenbildern Anwendung finden.