Detection of COVID-19 and Other Pneumonia Cases Using Convolutional Neural Networks and X-ray Images

• Autores: Carlos Eduardo Belman López
• Localización: Ingeniería e Investigación, ISSN-e 2248-8723, ISSN 0120-5609, Vol. 42, Nº. 1, 2022, págs. 9-9
• Idioma: inglés
• Títulos paralelos:
  • Detección de COVID-19 y otros casos de neumonía utilizando redes neuronales convolucionales e imágenes de rayos-X
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Dado que es esencial detectar los casos positivos y tratar a los pacientes afectados rápidamente para mitigar el impacto del COVID-19, los rayos-X han sido investigados para la detección del virus, en conjunto con modelos de aprendizaje profundo, eliminando desventajas como la escasez de kits de prueba RT-PCR, sus elevados costos y la larga espera por los resultados. La contribución de este estudio es presentar nuevos modelos para detectar COVID-19 y otros casos de neumonía utilizando imágenes de rayos-X y redes neuronales convolucionales, proporcionando diagnósticos precisos escenarios de clasificación binaria y categórica. La precisión en la clasificación fue mejorada y el sobreajuste fue evitado mediante 2 acciones: (1) aumentando el tamaño del conjunto de datos, al mismo tiempo que los escenarios de clasificación fueron balanceados; y (2) agregando técnicas de regularización y optimizando los hiperparámetros. Adicionalmente, la capacidad y tamaño de los modelos fueron reducidos tanto como fue posible, convirtiendo a los modelos finales en una opción perfecta para ser desplegados localmente en dispositivos con capacidades limitadas y sin necesidad de acceso a Internet. El impacto de hiperparámetros clave fue puesto a prueba utilizando paquetes modernos de aprendizaje profundo. Los modelos finales obtuvieron una precisión de 99,17 y 94,03 % para los escenarios binario y categórico respectivamente, logrando un rendimiento superior en comparación con otras propuestas en la literatura y utilizando un número significativamente menor de parámetros. Los modelos también pueden ser colocados sobre una plataforma digital para proporcionar diagnósticos al instante y superar la escasez de expertos y radiólogos.

  • English

    Given that it is fundamental to detect positive COVID-19 cases and treat affected patients quickly to mitigate the impact of the virus, X-ray images have been subjected to research regarding COVID-19, together with deep learning models, eliminating disadvantages such as the scarcity of RT-PCR test kits, their elevated costs, and the long wait for results. The contribution of this paper is to present new models for detecting COVID-19 and other cases of pneumonia using chest X-ray images and convolutional neural networks, thus providing accurate diagnostics in binary and 4-classes classification scenarios. Classification accuracy was improved, and overfitting was prevented by following 2 actions: (1) increasing the data set size while the classification scenarios were balanced; and (2) adding regularization techniques and performing hyperparameter optimization. Additionally, the network capacity and size in the models were reduced as much as possible, making the final models a perfect option to be deployed locally on devices with limited capacities and without the need for Internet access. The impact of key hyperparameters was tested using modern deep learning packages. The final models obtained a classification accuracy of 99,17 and 94,03% for the binary and categorical scenarios, respectively, achieving superior performance compared to other studies in the literature, and requiring a significantly lower number of parameters. The models can also be placed on a digital platform to provide instantaneous diagnostics and surpass the shortage of experts and radiologists.