COVID-WideNet – Eine Kapselnetzwerk-basierte Methode zur Erkennung von COVID-19

Seit Ausbruch der COVID-19-Pandemie steht die gesamte Welt vor der Herausforderung, sich vor der rasanten Ausbreitung des Virus zu fürchten. Daher ist die frühzeitige Erkennung von entscheidender Bedeutung. Schnelle diagnostische Tests ermöglichen eine prompte Identifizierung, Behandlung und Isolierung infizierter Personen. Zahlreiche tiefgreifende Lernklassifikatoren haben sich als vielversprechend erwiesen und liefern eine höhere Genauigkeit im Vergleich zu herkömmlichen Methoden wie der RT-PCR-Testung. Die Brust-Radiographie, insbesondere unter Verwendung von Röntgenbildern, stellt eine zentrale bildgebende Methode zur Erkennung verdächtiger COVID-19-Fälle dar. Dennoch bedarf die Leistungsfähigkeit dieser Ansätze weiterer Verbesserungen. In diesem Artikel stellen wir ein Capsule-Netzwerk namens COVID-WideNet vor, das zur Diagnose von COVID-19-Fällen anhand von Thorax-Röntgenbildern (Chest X-ray, CXR) eingesetzt wird. Experimentelle Ergebnisse zeigen, dass ein differenzierend trainiertes, mehrschichtiges Capsule-Netzwerk auf dem COVIDx-Datensatz eine state-of-the-art-Leistung erzielt. Insbesondere übertrifft COVID-WideNet alle anderen auf Convolutional Neural Networks (CNN) basierenden Ansätze bei der Diagnose von COVID-19-infizierten Patienten. Zudem verfügt das vorgeschlagene COVID-WideNet über eine Anzahl trainierbarer Parameter, die 20-mal geringer ist als bei anderen CNN-basierten Modellen. Dies führt zu einer schnellen und effizienten Diagnose von COVID-19-Symptomen und erreicht dabei eine Area Under Curve (AUC) von 0,95 sowie eine Genauigkeit, Sensitivität und Spezifität von jeweils 91 %. Dies könnte zukünftig auch Radiologen bei der Erkennung von COVID-19 und seiner Varianten wie Delta unterstützen.