Коронавирусная болезнь 2019 (COVID-19) - это инфекционное заболевание, вызываемое тяжелым острым респираторным синдромом, вызванным коронавирусом 2 (SARS-CoV-2). Впервые он был обнаружен в декабре 2019 года в Ухане, столице китайской провинции Хубэй. В то время как Всемирная организация здравоохранения (ВОЗ) объявила о «загадочной пневмонии» 31 декабря 2019 года, и она распространилась по всему миру, что привело к продолжающейся пандемии коронавируса 2019–2020 годов. С тех пор вирус был идентифицирован (SARS-CoV-2), заболевание названо (COVID-19), и оно распространилось по всему миру.

Эта идея состоит в том, чтобы преодолеть эти обстоятельства с помощью техники глубокого обучения для лучшего и эффективного лечения. Анализ COVID-19 с использованием глубокого обучения включает рентгеновские снимки легких пациентов. Проблема заключается в проблеме бинарной классификации, в которой мы классифицируем нормальные случаи и случаи COVID-19. Существует несколько плюсов и минусов использования глубокого обучения для решения таких ситуаций:

  1. Плюсы: дешевле
  2. Минусы: на практике нам нужна 100% точность, поскольку мы не можем ошибочно идентифицировать пациентов, так как это может привести к дальнейшему распространению болезни, что крайне нежелательно.

СБОР ДАННЫХ

Набор данных состоит из снимков рентгеновского снимка COVID-19 . Набор данных взят из репозитория kaggle. Вот Ссылка на набор данных для набора данных рентгеновского снимка легких COVID-19, который состоит из 186 изображений, по 93 изображения каждого.

РАЗВЕРТЫВАНИЕ МОДЕЛЬНОЙ АРХИТЕКТУРЫ

Наша модель, как правило, имеет 3 скрытых слоя, вы можете экспериментировать с большим или меньшим количеством слоев по своему усмотрению. Наша Предлагаемая модель будет иметь (150,150,3) входных нейронов, поэтому мы изменяем размер наших данных до 150 * 150 с 3 каналами, поскольку считается идеальным размером, поэтому наша модель может уловить даже мелкие детали и необходимые детали изображения.

Я собираюсь сгладить наши функции и использовать сигмоид в качестве функции активации, поскольку у нас есть проблема с двоичной классификацией, и, таким образом, наш вывод будет содержать только одну ячейку, RMSprop в качестве оптимизатора очень хорошо работает с сигмоидом, поэтому компилирует модель с ними в дополнение к кросс-бинарной энтропии.

УВЕЛИЧЕНИЕ ДАННЫХ

Увеличение данных - это способ уменьшить переоснащение моделей, когда мы увеличиваем объем обучающих данных, используя информацию только в наших обучающих данных. Область увеличения данных не нова, и на самом деле для решения конкретных задач применялись различные методы увеличения данных.

И вот код

Итак, мы завершили все этапы построения и самое время обучить нашу модель.

Теперь давайте протестируем случайное изображение.

Предложенная нами методика правильно предсказала изображение COVID !! Результаты, которые мы получаем, хороши, но, тем не менее, точность может быть улучшена, чтобы выполнить наше намерение.

Исходный код

Весь исходный код можно найти в моем репозитории на Github: - Исходный код обнаружения Covid-19

Как всегда, большое спасибо за чтение и, пожалуйста, поделитесь этой статьей, если вы нашли ее полезной!

Оставайся дома, будь в безопасности !!