Chest X-ray image classification for viral pneumonia and Сovid-19 using neural networks

V.G Efremtsev,N.G Efremtsev,P.E Teterin,E.S Bazavluk,E.P Teterin

doi:10.18287/2412-6179-co-765

Abstract

The use of neural networks to detect differences in radiographic images of patients with pneu-monia and COVID-19 is demonstrated. For the optimal selection of resize and neural network ar-chitecture parameters, hyperparameters, and adaptive image brightness adjustment, precision, recall, and f1-score metrics are used. The high values of these metrics of classification quality (> 0.91) strongly indicate a reliable difference between radiographic images of patients with pneumonia and patients with COVID-19, which opens up the possibility of creating a model with good predictive ability without involving ready-to-use complex models and without pre-training on third-party data, which is promising for the development of sensitive and reliable COVID-19 express-diagnostic methods.

Highlights

Pearson Education Inc; 2008. [17] Chollet F
В сопроводительном файле указано происхождение рентгенографических изображений (РИ): "We have developed the database of COVID-19 x-ray images from Italian Society of Medical and Interventional Radiology (SIRM) COVID-19 DATABASE, Novel Corona Virus 2019 Dataset developed by Joseph Paul Cohen and Paul Morrison and Lan Dao in GitHub and images extracted from 43 different publications"
Для уменьшения переобучения и частичной компенсации дисбаланса количество изображений в каждом классе для обучающей выборки было увеличено до 10000 путем добавления трансформированных снимков

Summary

Предварительная обработка изображений и движение информационных потоков

Основные этапы подготовки данных и движения информационных потоков приведены на рис. 1. Далее для каждого класса (блок SPLIT) формировались выборки обучения (train), проверки (val) и тестирования (test) НС. Для этого все РИ перемешивалась случайным образом при помощи функции Python random.shuffle(). Оставшиеся данные для каждого класса были снова в случайном порядке разделены на два независимых набора в соотношении 90 % и 10 % для обучения (блоки TRAIN_COV, TRAIN_VPN) и проверки (блоки VAL_COV и VAL_VPN). Для уменьшения переобучения и частичной компенсации дисбаланса количество изображений в каждом классе для обучающей выборки было увеличено до 10000 путем добавления трансформированных снимков (блок AUGM). Далее слиянием соответствующих выборок двух классов были сформированы полные выборки обучения, проверки и тестирования (блоки TRAIN_ALL, VAL_ALL и TEST_ALL). Для обучения НС (блок FIT) на ее вход подаются полные выборки обучения и проверки, а также метки классов этих выборок (блоки LABEL_TRAIN и LABEL_VAL). Выбор наилучшей архитектуры и гиперпараметров НС осуществлялся по максимальным значениям этих метрик и по их равномерности для каждого класса

Анализ полученных результатов

Сведения об авторах