Erkennung von Covid-19 und Pneumonie aus kolorierten Röntgenbildern durch Deep Learning

Das Coronavirus, das erstmals im Dezember 2019 in Wuhan, China, gesehen wurde, verwandelte sich in sehr kurzer Zeit in eine Epidemie. Dieses Virus, das besonders bei Menschen mit chronischen Erkrankungen sehr ernsthafte Auswirkungen hat, verursacht globale Probleme. Die frühzeitige Diagnose von Covid-19 und die Isolation des infizierten Patienten sowie die anschließende Behandlung sind von großer Bedeutung. Die Unzulänglichkeit von Diagnosetests und die Tatsache, dass radiologische Bilder die entscheidenden Merkmale des Virus enthalten, haben ein großes Forschungsfeld in diesem Bereich geschaffen. Neben diesen ist es auch wichtig, die Maßnahmen, die aufgrund des Anstiegs der Fallzahlen zu ergreifen sind, zu schätzen, um die Prozesse in vielen betroffenen Bereichen, insbesondere im Gesundheitsbereich, zu planen. Einige Modelle werden verwendet, um all diese Maßnahmen zu ergreifen. Neben diesen statistischen Modellen werden auch auf Deep Learning basierende künstliche Intelligenzstudien entwickelt. Insbesondere die Dichte im Gesundheitswesen und die hohe Arbeitsbelastung der Mitarbeiter haben die Neigung erhöht, KI-basierte Systeme zu entwickeln. In diesem Kontext hat die Präsenz einzigartiger Symptome, die mit Covid-19 in Röntgenbildern verbunden sind und die häufig bei der Diagnose vieler Krankheiten im Gesundheitsbereich verwendet werden, die Klassifizierung dieser Bilder mit Methoden des Deep Learning ermöglicht. Da Covid-19 und Pneumonie ähnliche Muster aufweisen, ist es notwendig, diese Krankheiten zu klassifizieren, indem die Einzigartigkeit gefunden wird, die sogar das menschliche Auge bei der Klassifizierung dieser Krankheiten nicht erkennen kann. In dieser Studie wird angestrebt, eine höhere Genauigkeit zu erzielen, indem Röntgenbilder mit Deep Learning-Methoden koloriert und dank vortrainierter Netzwerke klarere Bilder erhalten werden. Mit dieser Bestimmung wurde die Krankheit als Covid-19/Pneumonie/Normal klassifiziert. In der Studie wurde eine Genauigkeit von 98,78 % erreicht.