COVID-19 disease has been spreading around the world for the last four years. Different generations of corona viruses appeared: Alpha-, Beta-, Gamma-, and Delta variants. Thus, COVID-19 changed human lifestyle and affected economic development of many countries. According to clinical studies, most of the positive cases of COVID-19 patients suffer from lung infection. For this, a lot of efforts were aimed at developing fast and accurate detection methods. Thanks to the Deep Learning techniques that facilitate the process of identifying COVID-19 based on the chest images of the patients. X-ray and CT scan images are commonly used to evaluate corona virus lung infection. X-ray images are adopted by many researchers since they place less financial burden on the patient. In this work, we used chest X-ray images to develop eight CNN-based detection models. Three sets of images, i.e., COVID-19, pneumonia and normal cases were used for the training and testing. The performance of each model was optimized based on different hyperparameters to come up with the best results in terms of high detection accuracy, recall, precision and f1 score. These hyperparameters include Number of CNN layers, filters, dense layers, and number of nodes per dense layer. Our findings show that increasing both the CNN layers and number of filters result in high precision and f1 score of the positive samples, while increasing the number of dense layers leads to low precision recall and f1 score.

В работе предложен метод для разработки быстрого и точного выявления развития осложнений после Сovid-19, посредством метода глубокого обучения, который облегчает процесс идентификации Сovid-19 на основе изображений грудной клетки пациентов. Рентгеновские снимки и компьютерная томография обычно используются для оценки легочной инфекции, вызванной коронавирусом. Рентгеновские снимки используются многими исследователями, поскольку они несут меньшую финансовую нагрузку на пациента. В этой работе мы использовали рентгеновские снимки грудной клетки для разработки восьми моделей обнаружения на основе CNN. Для обучения и тестирования используются три набора изображений: COVID-19, пневмония и обычные случаи. Производительность каждой модели оптимизирована на основе различных гиперпараметров для достижения наилучших результатов с точки зрения высокой точности обнаружения, отзыва, прецизионности и оценки f1. Эти гиперпараметры включают количество слоев CNN, фильтров, плотных слоев и количество узлов на плотный слой. Наши результаты показывают, что увеличение как количества слоев CNN, так и количества фильтров приводит к высокой точности и показателю f1 положительных образцов. В то время как увеличение количества плотных слоев приводит к низкой точности воспроизведения и оценке f1.

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. — Электрон. журнал. — Периодичность: 4 раза в год. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. Т. 17, № 1, 2024. — 1 файл (5,56 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j24-178.pdf>.