Ранняя диагностика и карантин коронавируса — важный шаг в сдерживании дальнейшего распространения.
Коронавирусная болезнь (COVID 19) — это инфекционное заболевание, вызываемое коронавирусом. Это влияет на дыхательную систему зараженного человека, и в большинстве случаев они выздоравливают без какого-либо специального лечения. Это может превратиться в серьезное заболевание для пожилых людей и людей с сопутствующими заболеваниями, такими как сердечно-сосудистые заболевания, диабет, хронические респираторные заболевания и рак.
В условиях пандемии для сдерживания распространения вируса необходимы ранняя диагностика и профилактические меры.
Хотя профилактические меры включают ношение масок, социальное дистанцирование и частую санитарную обработку, также необходимо диагностировать наличие заболевания на ранних стадиях, чтобы изолировать пострадавших и предотвратить дальнейшее распространение.
Модели глубокого обучения оказались полезными и очень эффективными в области медицины для обработки сканов, рентгеновских снимков и других медицинских данных для вывода полезной информации.
В этой статье мы используем КТ (компьютерную томографию) легких людей для диагностики наличия коронавируса в их организме.
Ссылка на реализацию на cAInvas — здесь.
Набор данных
Папка набора данных состоит из 397 не-COVID и 349 COVID-сканирований легких. Это кажется довольно сбалансированным набором данных. Также доступен файл .xlsx, содержащий некоторые метаданные, но мы не будем его здесь использовать.
Изображения взяты из статей, связанных с COVID19, от medRxiv, bioRxiv, NEJM, JAMA, Lancet и т. д. и доступны для использования на Kaggle. (Ссылки в упомянутом выше блокноте упрощают прямую загрузку и использование набора данных).
Вот несколько изображений обеих категорий (CT_COVID и CT_NonCOVID) —
Каждое изображение имеет размер 256x256 с 3 каналами.
Набор данных разделен на обучающий и тестовый в соотношении 80–20. Поскольку изображения легко доступны в виде двух папок, мы используем функцию image_dataset_from_directory модуля tensorflow.keras.preprocessing для создания наборов для обучения и проверки, указав соответствующие значения параметров.
Предварительная обработка
Единственная предварительная обработка, которую мы будем выполнять, — это нормализация значений пикселей.
Мы используем функцию Rescaling модуля keras.layers.preprocessing, чтобы разделить каждое значение на 255. Таким образом, диапазон значений пикселей теперь будет [0, 1].
Модель
Модель имеет три пары слоев Conv2D-MaxPooling2D, за которыми следуют несколько слоев Dense, все с активацией ReLU, кроме последнего, который имеет сигмовидную активацию и 1 узел в плотном слое.
Модель скомпилирована с помощью оптимизатора Adam со скоростью обучения 0,001.
Функция потерь BinaryCrossentropy используется, потому что конечный плотный слой имеет сигмовидную функцию активации. Отслеживается точность модели на данных.
Модель обучается на 16 эпох.
Это кажется разумной моделью, но есть разница в точности между поездом и точностью проверки. Эту высокую дисперсию можно уменьшить путем обучения с большим набором данных, что приведет к более высокой точности.
Вышеупомянутая модель не может быть непосредственно применена к данным в режиме реального времени для диагностики в больницах из-за низкой точности. Но это доказательство того, что компьютерная томография легких является многообещающей для обеспечения точного, быстрого и дешевого скрининга и тестирования на COVID-19.
Метрики
Прогноз
Визуализация прогнозов случайных значений в проверочном наборе
глубокий C
Библиотека, компилятор и инфраструктура вывода deepC предназначены для включения и выполнения нейронных сетей глубокого обучения с упором на функции устройств малого форм-фактора, таких как микроконтроллеры, eFPGA, процессоры и другие встроенные устройства, такие как raspberry-pi, odroid, Arduino, SparkFun Edge, RISC-V, мобильные телефоны, x86 и портативные компьютеры.
Компиляция модели с помощью deepC для получения файла .exe —
Зайдите на платформу cAInvas (ссылка на блокнот дана ранее) и проверьте прогнозы по файлу .exe!
Источник: Аиша Д
