SỬ DỤNG MẠNG NEURAL TÍCH CHẬP (CNN) ĐỂ CHẨN ĐOÁN COVID-19  TỪ ẢNH X-QUANG NGỰC

Lê Thuý Phương Như; Nguyễn Thanh Huy

doi:10.34238/tnu-jst.8810

SỬ DỤNG MẠNG NEURAL TÍCH CHẬP (CNN) ĐỂ CHẨN ĐOÁN COVID-19 TỪ ẢNH X-QUANG NGỰC

Thông tin bài báo

Ngày nhận bài: 23/09/23 Ngày hoàn thiện: 06/11/23 Ngày đăng: 06/11/23

Các tác giả

1. Lê Thuý Phương Như , Trường Đại học Sư phạm Thành phố Hồ Chí Minh
2. Nguyễn Thanh Huy, Trường Đại học Sư phạm Thành phố Hồ Chí Minh

Tóm tắt

Trí tuệ nhân tạo AI được dùng trong phân loại dữ liệu ảnh X-quang ngực nhằm cải thiện độ chính xác trong việc chẩn đoán và phát hiện kịp thời bệnh viêm phổi do COVID-19. Mục đích của nghiên cứu này là phát triển thị giác máy tính dựa trên các chương trình phát hiện các đặc điểm X-quang ngực giúp các bác sĩ đưa ra các biện pháp điều trị phù hợp để giảm tình trạng tử vong. Theo thời gian, mạng neural tích chập hoạt động tốt hơn các thuật toán phân loại hình ảnh khác. Do đó, ba kiến trúc mạng neural gồm VGG16, ResNet50 và ResNet101 được dùng để hỗ trợ chẩn đoán viêm phổi do COVID-19 dựa vào X-quang ngực. Trong số đó, hiệu suất phân loại tốt nhất là ResNet101 với độ chính xác Accuracy và tỷ lệ lỗi Loss thu được lần lượt là 95,42% và 0,1492. Ngoài ra, ResNet101 thể hiện tốt trong việc phân loại các trường hợp COVID-19 trong tập kiểm tra với Precision, Recall và F1-score lần lượt là 92,2%, 94,0% và 93,0%. Chính vì vậy, mô hình ResNet101 có thể hỗ trợ thực hành lâm sàng thông qua việc xây dựng trang web giúp các chuyên gia y tế tiết kiệm thời gian và giảm thiểu các lỗi thủ công trong quá trình chẩn đoán.

Từ khóa

X-quang ngực; Phát hiện COVID-19; Phân loại ảnh; Học sâu; ResNet101

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] A. Pavli, M. Theodoridou, and H. C. Maltezou, “Post-COVID Syndrome: Incidence, Clinical Spectrum, and Challenges for Primary Healthcare Professionals,” Archives of Medical Research, vol. 52, no. 6, pp. 575–581, Aug. 2021.

[2] A. M. Tahir, M. E. Chowdhury, A. Khandakar, T. Rahman, Y. Qiblawey, U. Khurshid, S. Kiranyaz, N. Ibtehaz, M. S. Rahman, S. Al-Maadeed, S. Mahmud, M. Ezeddin, K. Hameed, and T. Hamid,
“COVID-19 infection localization and severity grading from chest X-ray images,” Computers in Biology and Medicine, vol. 139, Dec. 2021, Art. no. 105002.

[3] G. Jain, D. Mittal, D. Thakur, and M. K. Mittal, “A deep learning approach to detect Covid-19 coronavirus with X-Ray images,” Biocybernetics and Biomedical Engineering, vol. 40, no. 4, pp. 1391–1405,
Oct. 2020.

[4] J. Pedrosa, G. Aresta, C. Ferreira, C. Carvalho, J. Silva, P. Sousa, L. Ribeiro, A. M. Mendonça, and
A. Campilho, “Assessing clinical applicability of COVID-19 detection in chest radiography with
deep learning,” Sci. Rep., vol. 12, no. 1, Apr. 2022, Art. no. 6596.

[5] A. A. Borkowski, N. A. Viswanadhan, L. B. Thomas, R. D. Guzman, L. A. Deland, and S. M. Mastorides, “Using Artificial Intelligence for COVID-19 Chest X-ray Diagnosis,” Federal Practitioner, vol. 37,
no. 9, pp. 398–404, Sep. 2020.

[6] P. K. Sethy and S. K. Behera, “Detection of Coronavirus Disease (COVID-19) Based on Deep Features,” Preprints, Mar. 19, 2020.

[7] A. Bhattacharyya, D. Bhaik, S. Kumar, P. Thakur, R. Sharma, and R. B. Pachori, “A deep learning based approach for automatic detection of COVID-19 cases using chest X-ray images,” Biomedical Signal Processing and Control, vol. 71, Jan. 2022, Art. no. 103182.

[8] S. H. Yoo, H. Geng, T. L. Chiu, S. K. Yu, D. C. Cho, and J. Heo, “Deep Learning-Based Decision-Tree Classifier for COVID-19 Diagnosis From Chest X-ray Imaging,” Front Med (Lausanne), vol. 7, Jul. 2020, Art. no. 427.

[9] S. Albahli, “A Deep Neural Network to Distinguish COVID-19 from other Chest Diseases using X-ray Images,” Current Medical Imaging, vol. 17, no. 1, pp. 109-119, Jun. 2020.

[10] J. Civit-Masot, F. Luna-Perejón, M. D. Morales, and A. Civit, “Deep Learning System for COVID-19 Diagnosis Aid Using X-ray Pulmonary Images,” Applied Sciences, vol. 10, no. 13, Jan. 2020, Art. no. 4640.

[11] D. Reynaldi, B. S. Negara, S. Sanjaya, and E. Satria, “COVID-19 Classification for Chest X-Ray Images using Deep Learning and Resnet-101,” in 2021 International Congress of Advanced Technology and Engineering (ICOTEN), Jul. 2021, pp. 1–4.

[12] A. V. Ikechukwu, S. Murali, R. Deepu, and R. C. Shivamurthy, “ResNet-50 vs VGG-19 vs training from scratch: A comparative analysis of the segmentation and classification of Pneumonia from chest X-ray images,” Global Transitions Proceedings, vol. 2, no. 2, pp. 375–381, Nov. 2021.

[13] M. E. H. Chowdhury, T. Rahman, A. Khandakar, R. Mazhar, M. A. Kadir, Z. B. Mahbub, K. R. Islam, M. S. Khan, A. Iqbal, N. A. Emadi, M. B. I. Reaz, and M. T. Islam, “Can AI Help in Screening Viral and COVID-19 Pneumonia?,” IEEE Access, vol. 8, pp. 132665–132676, 2020.

[14] T. Rahman, A. Khandakar, Y. Qiblawey, A. Tahir, S. Kiranyaz, S. B. A. Kashem, M. T. Islam, S. A. Maadeed, S. M. Zughaier, M. S. Khan, and M. E. H. Chowdhury, “Exploring the effect of image enhancement techniques on COVID-19 detection using chest X-ray images,” Computers in Biology and Medicine, vol. 132, May 2021, Art. no. 104319.

[15] S. Rudregowda, S. P. Kulkarni, G. H. Lokesh, V. Ravi, and M. Krichen, “Visual Speech Recognition for Kannada Language Using VGG16 Convolutional Neural Network,” Acoustics, vol. 5, no. 1, pp. 343-353, Mar. 2023.

[16] S. Sakib, M. A. B. Siddique, M. M. Rahman Khan, N. Yasmin, A. Aziz, M. Chowdhury, and I. K. Tasawar, “Detection of COVID-19 Disease from Chest X-Ray Images: A Deep Transfer Learning Framework,” Preprints, Nov. 12, 2020, doi: 10.1101/2020.11.08.20227819.

[17] M. Z. Che Azemin, R. Hassan, M. I. Mohd Tamrin, and M. A. M. Ali, “COVID-19 Deep Learning Prediction Model Using Publicly Available Radiologist-Adjudicated Chest X-Ray Images as Training Data: Preliminary Findings,” International Journal of Biomedical Imaging, vol. 2020, Aug. 2020, Art. no. e8828855.

[18] S. K. Venu and S. Ravula, “Evaluation of Deep Convolutional Generative Adversarial Networks for Data Augmentation of Chest X-ray Images,” Future Internet, vol. 13, no. 1, Jan. 2021, Art. no. 8.

DOI: https://doi.org/10.34238/tnu-jst.8810

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ