Corona-Nidaan : réseau de neurones convolutif profond léger pour la détection de l'infection par le COVID-19 à partir de radiographies thoraciques

La pandémie de coronavirus COVID-19 constitue aujourd’hui la principale crise de santé publique que l’humanité a connue depuis la Seconde Guerre mondiale. La pandémie se propage à travers le monde comme une vague, et selon le dernier rapport de l’Organisation mondiale de la santé, le nombre de cas confirmés et de décès augmente rapidement. La pandémie a engendré des crises sévères sur les plans social, économique et politique, qui laisseront à long terme des séquelles profondes. L’une des mesures de lutte contre la propagation du virus consiste en une technique de détection spécifique, précise, fiable et rapide permettant d’identifier les patients infectés. La disponibilité et l’accessibilité des kits de RT-PCR restent un goulot d’étranglement majeur dans de nombreux pays, entravant ainsi une gestion efficace de l’épidémie. Des résultats récents indiquent que des anomalies observées sur les radiographies thoraciques peuvent caractériser les patients atteints d’infection par le COVID-19. Dans cette étude, nous proposons Corona-Nidaan, un réseau de neurones convolutifs profonds léger (DCNN), destiné à détecter le COVID-19, la pneumonie et les cas normaux à partir d’analyses d’images radiographiques thoraciques, sans intervention humaine. Nous introduisons une méthode simple d’augmentation des données pour les classes minoritaires afin de traiter le problème de déséquilibre des données. L’impact de l’apprentissage par transfert à l’aide de réseaux CNN pré-entraînés sur la détection de l’infection par le COVID-19 à partir d’images radiographiques thoraciques est également étudié. L’analyse expérimentale montre que le modèle Corona-Nidaan surpasse les travaux antérieurs ainsi que d’autres modèles basés sur des CNN pré-entraînés. Le modèle atteint une précision de 95 % pour une classification à trois classes, avec une précision et un rappel de 94 % pour les cas de COVID-19. Lors de l’évaluation des performances de divers modèles pré-entraînés, il a également été observé que VGG19 surpasse les autres modèles CNN pré-entraînés, atteignant 93 % de précision, 87 % de rappel et 93 % de précision pour la détection de l’infection par le COVID-19. Le modèle a été évalué sur un ensemble de données indien de radiographies thoraciques provenant de patients infectés par le COVID-19, avec une bonne précision.