Ein neuartiger Ansatz zur Erkennung von Normalen, COVID-19- und Pneumonie-Patienten mithilfe ausschließlich binärer Klassifikationen aus Thorax-CT-Bildern

Das neuartige Coronavirus, das Coronavirus des schweren akuten Atemwegssyndroms 2 (SARS-CoV-2), verbreitete sich weltweit und verursachte eine drastische Veränderung der globalen Lage, die zu einer massiven Pandemie führte und die weltweite Gesundheit und Stabilität erheblich beeinträchtigte. Es handelt sich um ein RNA-Virus, das sowohl Menschen als auch Tiere infizieren kann. Eine möglichst schnelle Diagnose des Virus könnte eine schwere Ausbreitung von COVID-19 eindämmen und verhindern. Derzeitige pharmazeutische Techniken und diagnostische Verfahren wie die Reverse Transkriptions-Polymerase-Kettenreaktion (RT-PCR) und Serologie-Tests sind zeitaufwendig, kostspielig und erfordern gut ausgestattete Laborinfrastruktur für die Analyse, was sie für viele Menschen unzugänglich macht. In den letzten Jahren hat das Deep Learning an Bedeutung gewonnen und spielt heute eine entscheidende Rolle bei der Bildklassifikation, insbesondere in der medizinischen Bildanalyse. In dieser Studie wird das Problem der Automatisierung der Unterscheidung zwischen Personen mit COVID-19-Infektion und gesunden Individuen mithilfe von Thorax-CT-Aufnahmen untersucht. Convolutional Neural Networks (CNNs) können trainiert werden, um Muster in Computertomographie-Aufnahmen (CT-Aufnahmen) zu erkennen. Daher wurden in dieser Studie verschiedene CNN-Modelle eingesetzt, um Unterschiede in Thorax-CT-Aufnahmen zu identifizieren, wobei die Genauigkeiten zwischen 91 % und 98 % lagen. Zur Erstellung dieser Architekturen wurde die Mehrklassen-Klassifikation verwendet. Zudem wird ein neuer Ansatz zur Klassifizierung von CT-Bildern vorgeschlagen, der zwei binäre Klassifikationen kombiniert, um gemeinsam zu arbeiten und eine Genauigkeit von 98,38 % zu erreichen. Die Leistung aller dieser Architekturen wurde anhand verschiedener Klassifikationsmetriken verglichen.