Corona-Nidaan: leichtgewichtiges tiefes convolutionales neuronales Netzwerk zur Erkennung von COVID-19-Infektionen basierend auf Brust-Röntgenaufnahmen

Die Coronavirus-Pandemie COVID-19 stellt heute die größte öffentliche Gesundheitskrise dar, die wir seit dem Zweiten Weltkrieg erlebt haben. Die Pandemie breitet sich weltweit wie eine Welle aus, und laut dem jüngsten Bericht der Weltgesundheitsorganisation (WHO) steigen die Zahl der bestätigten Fälle und Todesfälle rasant an. Die COVID-19-Pandemie hat schwere soziale, wirtschaftliche und politische Krisen ausgelöst, die wiederum langanhaltende Spuren hinterlassen werden. Eine der zentralen Maßnahmen zur Kontrolle der Ausbreitung des Coronavirus ist eine spezifische, genaue, zuverlässige und schnelle Detektionsmethode zur Identifizierung infizierter Patienten. Die Verfügbarkeit und Kostenerschwinglichkeit von RT-PCR-Testkits bleibt in vielen Ländern weiterhin eine entscheidende Herausforderung bei der effektiven Bewältigung der Pandemie. Neuere Erkenntnisse deuten darauf hin, dass Anomalien in der Brust-Röntgenaufnahme charakteristisch für Patienten mit COVID-19-Infektion sein können. In dieser Studie wird Corona-Nidaan vorgestellt – ein leichtgewichtiges tiefes convolutionales neuronal Netzwerk (DCNN), das zur Erkennung von COVID-19, Pneumonie und Normalbefunden anhand von Brust-Röntgenbildern eingesetzt wird, ohne jegliche menschliche Intervention. Wir stellen eine einfache Methode zur Überproportionierung der selteneren Klassen zur Bewältigung des Problems unbalancierter Datensätze vor. Zudem wird der Einfluss von Transferlernen mit vortrainierten CNNs auf die Erkennung von COVID-19-Infektionen basierend auf Brust-Röntgenbildern untersucht. Die experimentelle Analyse zeigt, dass das Corona-Nidaan-Modell vorherige Ansätze sowie andere auf vortrainierten CNNs basierende Modelle übertrifft. Das Modell erreichte bei der Dreiklassenklassifikation eine Genauigkeit von 95 %, mit einer Präzision und Rekall von jeweils 94 % für COVID-19-Fälle. Bei der Untersuchung der Leistung verschiedener vortrainierter Modelle zeigte sich zudem, dass VGG19 andere vortrainierte CNN-Modelle übertrifft, indem es eine Genauigkeit von 93 % erzielte, wobei Präzision und Rekall für die Erkennung von COVID-19-Infektionen jeweils 93 % und 87 % betrugen. Das Modell wurde anhand einer Screening-Analyse der Brust-Röntgenbilder indischer COVID-19-infizierter Patienten evaluiert und zeigte dabei eine gute Genauigkeit.