A deep transfer learning-based convolution neural network model for COVID-19 detection using computed tomography scan images for medical applications

Kathamuthu, Nirmala Devi; Shanthi, S.; Le, Quynh Hoang; Muthusamy, Suresh; Panchal, Hitesh; Sundararajan, Suma Christal Mary; Alruabie, Ali Jawad; Zahra, Musaddak Maher Abdul

doi:10.1016/j.advengsoft.2022.103317

Cited by 58 publications

(27 citation statements)

References 45 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Derin öğrenme modelleri birçok alanda etkili çözümler sunarak, önemli bir potansiyel barındırmaktadır [20]. Karmaşık problemlerde geleneksel makine öğrenme mimarilerinin gereksinim duyduğu manuel özellik çıkarımına ilişkin mevcut handikapların üstesinden gelerek büyük bir atılım sergilemişlerdir.…”

Section: öN Eğitimli Modeller Ve Transfer öğRenimi Yaklaşımıunclassified

“…Karmaşık problemlerde geleneksel makine öğrenme mimarilerinin gereksinim duyduğu manuel özellik çıkarımına ilişkin mevcut handikapların üstesinden gelerek büyük bir atılım sergilemişlerdir. Ancak, derin öğrenme mimarilerinin probleme özgü olarak sil baştan eğitilmeleri aşırı bir hesaplama gücüne, zamana ve ağın genelleştirme yapabileceği büyük veri setlerine olan gereksinimi beraberinde getirmektedir [20], [21]. Transfer öğrenimi yaklaşımı, büyük veri seti üzerinde geliştirilmiş mimarilerin eğitilmiş ağırlıklarının yeniden kullanılması ve probleme özgü uyarlanması ile söz konusu gereksinimlere olan bağımlılığı aşarak etkili çözümlerin elde edilmesine olanak tanımaktadır [21].…”

Section: öN Eğitimli Modeller Ve Transfer öğRenimi Yaklaşımıunclassified

“…InceptionV3 görüntü tanıma problemlerinde ilgilenilen bölgelere ilişkin aşırı konum değişkenlik sorunlarını ele almaktadır. Bu kapsamda, aynı düzeyde filtreler birleştirilerek ağın etkin bir şekilde genişletilmesi sağlanır [20]. InceptionV3, seleflerine kıyasladığında küçük evrişim operatörlerinin elde edilmesi için bir evrişimsel bölme yöntemi kullanır [28].…”

Section: Inceptionv3unclassified

See 2 more Smart Citations

Senkrosıkıştırma dönüşümü ve derin transfer öğrenimi ile Alzheimer hastalığının EEG tabanlı otomatik tespiti

POLAT>

2023

DÜMF MD

View full text Add to dashboard Cite

Alzheimer hastalığı, demansın en sık görülen türü olan ilerleyici bir nörodejeneratif bozukluktur. Hafıza kaybı, bilişsel kabiliyetlerde azalma ve davranışsal sorunlara yol açarak, günlük yaşamı derinden etkilemektedir. Hastalıkla mücadelede en önemli adımlardan biri hızlı ve doğru tanının konmasıdır. Dolayısıyla, bilgisayar destekli tanı sistemlerinin histopatolojik analizlere alternatif olarak geliştirilmesi önem arz etmektedir. Bu çalışmada, Alzheimer hastalığının otomatik olarak tespitinde EEG tabanlı bir sınıflandırma modeli tanıtılmıştır. Önerilen model EEG senkrosıkıştırma temsillerinin çeşitli uyarlanmış ön eğitimli derin evrişimsel sinir ağı mimariler ile sınıflandırılmasından oluşmaktadır. Senkrosıkıştırma yöntemi, EEG işaretlerini zamanla değişen salınım özelliklerine sahip görüntü örüntülerine dönüştürmek için kullanılmıştır. Akabinde ise EEG görüntüleri ön eğitimli SqueezeNet, ResNet, InceptionV3 ve MobileNet derin mimarilerine girdi olarak sunulmuş ve elde edilen sınıflandırma performansları karşılaştırılmıştır. Deneyler, 19 elektrottan (Fp1, Fp2, Fz, F3, F4, F7, F8, Cz, C3, C4, T3, T4, Pz, P3, P4, T5, T6, O1 ve O2) kayıt edilen EEG işaretlerinin her biri için ayrı ayrı uygulanmıştır. Bulgular P3 ve T5 kanallarının Alzheimer tespitinde en etkin serebral konumlar olduğunu ve en iyi sınıflandırma doğruluğunun InceptionV3 modeli ile elde edildiğini göstermiştir. InceptionV3 modeli ile her iki kanal için sınıflandırma doğrulukları sırasıyla %89.50 ve %90.57 olarak elde edilmiştir. Ayrıca serebral korteksteki elektriksel aktivitelerin hastalığa ilişkin karakteristik dinamikleri en belirgin olarak parietal ve tempoaral loblarda yansıttığı gözlemlenmiştir.

show abstract

Section: öN Eğitimli Modeller Ve Transfer öğRenimi Yaklaşımıunclassified

Section: Inceptionv3unclassified

See 1 more Smart Citation

Senkrosıkıştırma dönüşümü ve derin transfer öğrenimi ile Alzheimer hastalığının EEG tabanlı otomatik tespiti

POLAT>

2023

DÜMF MD

View full text Add to dashboard Cite

show abstract

“…They found only 485 clinical notes available for 535 images. Seven of them used only Kaggle dataset to collect their data for training or testing purpose of developed model [35,38,42,44,46,49,51]. Three of them used only GitHub repository which was developed by Dr. Joseph Cohen [33,43,48], other four of them used both of the Kaggle and GitHub database [34,47,50,54].…”

Section: Exploration Of Used Datamentioning

confidence: 99%

“…Data Source Data Volume [42] Kaggle 2482 CT scans image and 31 Covid positive along with 10,192 normal X-ray image [48] GitHub 108,948 images [49] Kaggle 3829 X-rays and 3829 X-rays [43] GitHub 535 CT and X-ray images and 485 clinical notes related with them [37] Mendeley Data 17,599 images [44] Kaggle 2481 images [46] Kaggle 2357 CT scan data, 2515 chest X-ray data and 2400 CT and chest X-ray hybrid data [34] Kaggle, GitHub 5856 chest X-ray & CT dataset [54] Kaggle, GitHub 2905 unique images for X-ray 617,775 images from 4154 patients [41] Mendeley Data 8,055 CT scan and 9,544 X-ray images [51] Kaggle 2591 mixed data [33] GitHub 17100 X−ray and CT images [47] Kaggle, GitHub 168 Covid and 168 normal cases for the both Xray and CT scan images [36] GitHub Kaggle and Git Hub 723 X-ray and 3228 CT scans images [38] Kaggle 400 chest X-ray images, and 400 CT scan images [39] Wonkwang University Hospital(WKUH) and Chonnam National University Hospital (CNUH), Italian Society of Medical and Interventional Radiology(SIRM) public database.…”

Section: Literaturementioning

confidence: 99%

Comparative Analysis on Available Technique for the Detection of Covid-19 through CT-Scan and X-Ray using Machine Learning: A Systematic Review

Majhi¹,

Sauseng²

2023

Preprint

View full text Add to dashboard Cite

(1) Background: In the year of 2020 Covid-19 was declared epidemic by WHO. From that time millions of people were affected and died by this disease. The main detection process for this epidemic is RT-PCR test or reverse polymerase transcription chain reaction test. One of the reason of spreading of this disease so much is lack of efficiency in RT-PCR test. Sampling error and low viral load were two main reasons for what the testing process faced such problems. Lung infection is a very common symptom for covid-19 patients, so, CT scan and chest X-ray imaging technique can be applied to detect patient at a very early stage of infection. Which will be very effective and also can be a better option to RT-PCR test; (2) Methods: We searched data in Scopus for articles published between 2020 and 2023. The initial set of articles was 189, from which 21 articles will eventually be selected by exclusion criteria; (3) Results: A total of thirteen (61.90%) articles were found working on detecting Covid-19 by extracting the X-ray and CT scan data individually. Three (14.28%) of those articles focused on a hybrid model of CT scan and X-ray Image Data. Another four articles made a comparison between Covid-19, pneumonia and a normal person to identify a Covid-19 patient. Where others have worked on unsupervised learning methods or SVM to detect Covid-19.; (4) Conclusions: We have conducted a systematic review of the studies that have been published up to this time, with the purpose to present a summary of the evidence about the detection of COVID-19. In this article, we have summarized and critically reviewed literatures which worked on development or application or both of different AI or ML technique from chest CT and X-ray images to find a solution to detect covid-19.

show abstract

Detection of Covid‐19 disease by using privacy‐aware artificial intelligence system

Ismetoglu,

Canbay

2024

Security and Privacy

View full text Add to dashboard Cite

Covid‐19 is a highly infectious respiratory disease that spreads quickly between individuals and has been recognized as a pandemic by the World Health Organization (WHO). Chest x‐ray images, lung computed tomography images, and polymerase chain reaction tests are generally used to diagnose this disease by the doctors. Nevertheless, manual diagnosis of Covid‐19 disease is laborious and requires highly experienced professionals. Therefore, automated systems are always needed to assist doctors in their diagnostic decisions. In the field of medicine and healthcare, artificial intelligence and deep learning currently offer incredibly effective and rapid automatic decision‐support systems. Since sensitive data is used to diagnose Covid‐19, privacy has become a major concern in research that uses artificial intelligence and deep learning. In order to eliminate these issues, this paper proposes a novel deep learning model that privately detects Covid‐19 disease. The proposed model utilizes differential privacy technique to provide data privacy and convolutional neural network to diagnose Covid‐19 disease. The performance of the proposed model was evaluated through experiments conducted on five different datasets, resulting a maximum accuracy rate of 97%.

show abstract

A deep transfer learning-based convolution neural network model for COVID-19 detection using computed tomography scan images for medical applications

Cited by 58 publications

References 45 publications

Senkrosıkıştırma dönüşümü ve derin transfer öğrenimi ile Alzheimer hastalığının EEG tabanlı otomatik tespiti

Senkrosıkıştırma dönüşümü ve derin transfer öğrenimi ile Alzheimer hastalığının EEG tabanlı otomatik tespiti

Comparative Analysis on Available Technique for the Detection of Covid-19 through CT-Scan and X-Ray using Machine Learning: A Systematic Review

Detection of Covid‐19 disease by using privacy‐aware artificial intelligence system

Contact Info

Product

Resources

About