COVID-WideNet — Un réseau à capsules pour la détection du COVID-19

Depuis l’émergence de la pandémie de COVID-19, le monde entier fait face à une panique croissante face à sa propagation rapide. Il est donc essentiel de détecter la présence du virus dès que possible. Un dépistage diagnostique rapide permet une identification, un traitement et une isolation rapides des personnes infectées. Plusieurs classificateurs fondés sur l’apprentissage profond ont démontré des résultats prometteurs, offrant une précision supérieure à celle des méthodes conventionnelles telles que le test RT-PCR. Parmi les modalités d’imagerie, la radiographie thoracique, en particulier à l’aide d’images aux rayons X, constitue une méthode d’imagerie privilégiée pour le dépistage des cas suspects de COVID-19. Toutefois, les performances de ces approches doivent encore être améliorées. Dans ce travail, nous proposons un réseau de capsules appelé COVID-WideNet pour le diagnostic de la COVID-19 à partir d’images de radiographie thoracique (CXR). Les résultats expérimentaux montrent qu’un réseau de capsules multi-couches entraîné de manière discriminante atteint des performances de pointe sur le jeu de données COVIDx. En particulier, COVID-WideNet surpasse toutes les approches basées sur les réseaux de neurones convolutifs (CNN) pour le diagnostic des patients infectés par le COVID-19. De plus, le modèle proposé présente un nombre de paramètres ajustables 20 fois inférieur à celui des autres modèles CNN. Cela permet une détection rapide et efficace des symptômes de la COVID-19, tout en atteignant un AUC (aire sous la courbe ROC) de 0,95, ainsi qu’une précision, une sensibilité et une spécificité de 91 % chacune. Ce système pourrait également aider les radiologues à détecter la COVID-19 et ses variants, tels que le variant Delta.