Machine Translated by Google

Informatika dalam Kedokteran Tidak Terkunci 30 (2022) 100916

Daftar konten tersedia di ScienceDirect

Informatika dalam Kedokteran Tidak Terkunci

beranda jurnal: www.elsevier.com/locate/imu

Transfer pembelajaran dengan model CNN ResNet50 yang disempurnakan untuk klasifikasi
COVID-19 dari gambar rontgen dada
Md.Belal Hossain a , SM Hasan Sazzad Iqbala, Md.Monirul Islam ,bMd.Nasim Akhtar c,
Iqbal H. Sarker d,ÿ
A
Departemen Ilmu dan Teknik Komputer, Universitas Sains dan Teknologi Pabna, Pabna 6600, Bangladesh
B
Departemen Teknik Tekstil, Universitas Uttara, Dhaka 1230, Bangladesh
C
Departemen Ilmu dan Teknik Komputer, Universitas Teknologi Teknik Dhaka, Gazipur, 1707, Bangladesh
D
Departemen Ilmu dan Teknik Komputer, Universitas Teknik & Teknologi Chittagong, Chittagong 4349, Bangladesh

INFO ARTIKEL ABSTRAK

Kata kunci: Kasus COVID-19 memberi tekanan pada sistem perawatan kesehatan di seluruh dunia. Karena kurangnya alat tes yang
Pembelajaran mendalam tersedia, tidak praktis untuk melakukan skrining setiap pasien dengan penyakit pernapasan menggunakan metode
Mentransfer pembelajaran
tradisional (RT-PCR). Selain itu, tes memiliki waktu penyelesaian yang tinggi dan sensitivitas yang rendah. Mendeteksi
ResNet50
dugaan infeksi COVID-19 dari rontgen dada dapat membantu mengisolasi orang berisiko tinggi sebelum tes RT-PCR.
COVID 19
Sebagian besar sistem perawatan kesehatan sudah memiliki peralatan sinar-X, dan karena sebagian besar sistem sinar-X
saat ini sudah terkomputerisasi, tidak perlu mentransfer sampel. Penggunaan rontgen dada untuk memprioritaskan
pemilihan pasien untuk pengujian RT-PCR selanjutnya adalah motivasi dari pekerjaan ini. Transfer learning (TL) dengan fine-
tuning pada model ResNet50 berbasis jaringan saraf konvolusional dalam telah diusulkan dalam pekerjaan ini untuk
mengklasifikasikan pasien COVID 19 dari Database Radiografi COVID-19. Sepuluh bobot pra-pelatihan yang berbeda, dilatih
pada berbagai kumpulan data skala besar menggunakan berbagai pendekatan seperti pembelajaran yang diawasi,
2021_
pembelajaran yang diawasi sendiri, dan lainnya, telah digunakan dalam pekerjaan_ ini. Model _1 yang kami usulkan , dilatih
sebelumnya pada kumpulan data iNat2021 Mini menggunakan algoritme SwaV, mengungguli model TL ResNet50 lainnya.
Untuk kasus COVID dalam klasifikasi dua kelas (Covid dan Normal), pekerjaan kami mencapai akurasi validasi 99,17%,
akurasi kereta 99,95%, presisi 99,31%, sensitivitas 99,03%, dan skor F1 99,17%. Beberapa model yang diadaptasi domain ÿ
_ ÿ 14) dan dalam domain (ChexPert, ChestX-ray14) tampak menjanjikan dalam citra medis ( klasifikasi dengan
skor yang jauh lebih tinggi daripada model lain.

1. Perkenalan obat-obatan atau vaksin COVID-19 [5], prioritas utama adalah

Pada Desember 2019, Wuhan, Tiongkok, menjadi orang pertama
yang mengembangkan penyakit virus korona baru (disebut COVID-19).
Sejauh ini, jutaan dan ribuan kematian telah dikonfirmasi di seluruh
dunia [1]. Penyakit coro navirus 2019 (COVID-19) akibat sindrom akut
coronavirus 2 (SARS-CoV-2) yang serius telah menjadi pandemi dan
menyebar luas ke seluruh dunia. Wabah COVID-19 telah mempengaruhi
banyak aspek, seperti kehidupan sehari-hari, kesehatan masyarakat,
dan perekonomian dunia. Organisasi Kesehatan Dunia mengumumkan
pada 28 Juni 2020 bahwa lebih dari 10 juta kasus COVID-19 yang
dikonfirmasi telah dilaporkan di dunia dan lebih dari 499.000 orang
telah meninggal. Selanjutnya, di Cina, kira-kira. 6.47 (kisaran 1.66–10)
[2], di Korea Selatan 2.6 [3], dan di Iran 4.7 [4] dalam reproduktif dasar COVID-19 menunjukkan karakteristik serupa pada gambar CT, seperti
(R0), didefinisikan sebagai jumlah rata-rata kasus sekunder yang
dilahirkan oleh individu yang terinfeksi, yang menunjukkan bahwa ada penyebaran
menghentikan penyebaran COVID-19 melalui pengujian banyak kasus
yang mencurigakan dan isolasi dari komunitas yang terinfeksi. Sesuai
pedoman terbaru pemerintah Cina, diagnosis COVID-19 harus
divalidasi oleh reaksi berantai transkripsi-polimerase terbalik (RT-
PCR). Namun dalam hal sensitivitas, RT-PCR mungkin tidak cukup
tinggi. Negatif palsu juga dapat terjadi bila ada kekurangan jumlah
virus dalam sampel; oleh karena itu, beberapa kali sebelum tes
akhirnya dikonfirmasi, mungkin diperlukan [6-8]. Akibatnya, prosedur
atau instrumen diagnostik yang cepat dan tepat diperlukan untuk memerangi SAR
CT dada adalah alat pencitraan pneumonia rutin yang memberikan
keuntungan untuk diagnosis COVID-19. Sebagian besar pasien
opasitas ground glass, konsolidasi paru, dan/atau perubahan perifer
paru [9,10].
Sementara
serius CTKarena
COVID-19. dada mungkin merupakan
tidak tersedianya metode
terapi skrining awal untuk
khusus

ÿ
Penulis yang sesuai.
Alamat email: iqbal@cuet.ac.bd (IH Sarker).

https://doi.org/10.1016/j.imu.2022.100916 Diterima
30 Januari 2022; Diterima dalam bentuk revisi 7 Maret 2022; Diterima 9 Maret 2022 Tersedia online 19 Maret
2022 2352-9148/© 2022 Para Penulis.
Diterbitkan oleh Elsevier Ltd. Ini adalah artikel akses terbuka di bawah lisensi CC BY-NC-ND (http://creativecommons.org/licenses/by nc-nd/4.0/).
Machine Translated by Google

MB Hossain dkk. Informatika dalam Kedokteran Tidak Terkunci 30 (2022) 100916

jenis penyakit paru menular dan radang lainnya memiliki kesamaan pencitraan yang Tabel 1
Database radiografi COVID-19.
signifikan. Oleh karena itu tidak mudah untuk membedakan antara COVID-19 dan
Covid Opasitas paru-paru Pneumonia virus Normal Total
pneumonia virus lainnya. Ahli radiologi juga dapat membutuhkan waktu lama untuk
mengidentifikasi karakteristiknya. Selain itu, pembacaan gambar CT secara manual adalah 3616 6012 1345 10 192 21 165

tugas yang panjang dan melelahkan, yang pada gilirannya menyebabkan kesalahan
manusia. Dengan demikian, teknologi yang menggunakan analisis otomatis berbasis
kecerdasan buatan (AI) dapat membantu ahli radiologi dalam menganalisis COVID-19 dari citra CT.
dari 86%. Nardelli dkk. [32] menggunakan CNN 3-D untuk mengkategorikan arteri-vena
Pencapaian penting dalam AI adalah deep learning (DL) [11]. Convolutional Neural
paru CT dada. Untuk mengklasifikasikan gambar CT dari penyakit paru interstitial, CNN
Network (CNN) adalah salah satu arsitektur khas DL [12]. Karena karakteristiknya yang
yang dalam diterapkan [33]. Pendekatan TL diterapkan pada model VGG16 dan ResNet50
kuat [13-17], CNN banyak diterapkan di bidang kesehatan. Teknik CNN dapat membantu
untuk mengklasifikasikan COVID-19, infeksi pneumonia, dan tanpa infeksi [34]. Studi
dalam deteksi dan klasifikasi COVID-19 yang akurat seiring dengan penerapan pencitraan
menunjukkan akurasi 97,67% menggunakan model VGG16 TL pada dataset radiografi
radiologi [18]. Gambar CNN terbaru dari COVID-19 dan Non-COVID-19 telah diklasifikasikan
Covid-19. CNN CoroNet yang dalam [35] diusulkan dan menunjukkan akurasi 89% pada
menggunakan pendekatan CT-Classification [19-22].
gambar rontgen dada untuk klasifikasi 4 kelas termasuk kelas COVID-19. DarkCovid Net
[18], model dalam diusulkan pada gambar sinar-X dada. Model CNN DeTraC [36] yang
dalam diusulkan untuk mengklasifikasikan gambar rontgen dada COVID-19 dan
Eksperimen kami menggunakan metode transfer learning (TL) [12] pada model CNN
menunjukkan akurasi 93,1%.
terkenal bernama ResNet50 untuk membangun model deteksi COVID-19 kami. Kami

menggunakan 10 bobot pra-terlatih yang berbeda dan semua bobot model ResNet50
tersebut dilatih pada kumpulan data gambar yang berbeda.
Kami menggunakan bobot yang telah dilatih sebelumnya dan menerapkan pendekatan
pembelajaran transfer pada kumpulan data gambar sinar-X dada yang berbeda untuk
mengklasifikasikan pasien Covid atau Normal. Beberapa model pra-pelatihan bekerja
dengan sangat baik dan kami menemukan beberapa wawasan tentang pendekatan TL
untuk sistem klasifikasi citra medis terutama pada citra sinar-X dada. Kami menerapkan
penyempurnaan pada model ResNet50 untuk kinerja yang lebih baik. Pekerjaan ini
mencapai akurasi lebih dari 99% untuk mengklasifikasikan pasien Covid dan Normal pada
gambar rontgen dada. Kontribusi pekerjaan kami adalah sebagai berikut:
• Kami mengusulkan model ResNet50 yang disempurnakan yang menerapkan teknik
pembelajaran transfer dengan sepuluh bobot berbeda yang telah dilatih
sebelumnya untuk mengklasifikasikan COVID-19 dari gambar rontgen dada.
• Kami telah memodifikasi model ResNet50 dengan menambahkan dua lapisan ekstra
yang terhubung sepenuhnya daripada model ResNet50 default untuk menerapkan
penyempurnaan dalam tugas kami.
• Kami melakukan eksperimen pada set data Radiografi COVID-19 dengan
menggunakan anak timbangan yang telah dilatih sebelumnya yang dilatih pada
berbagai set data berskala besar dan dibandingkan dengan model yang ada untuk
menunjukkan keefektifan model yang diusulkan.
Sisa kertas disusun sebagai berikut. Di Bagian 2, kami menyajikan tinjauan literatur
singkat. Metodologi yang diusulkan dinyatakan dalam Bagian 3, yang juga menjelaskan
Penyiapan eksperimental, Pelatihan Model, dan Evaluasi. Analisis hasil dan pembahasan
disajikan pada Bagian 4. Terakhir, Bagian 5 menyimpulkan makalah.
Berbeda dengan studi di atas, dalam karya ini, kami mengusulkan model ResNet50
yang disetel dengan baik yang menerapkan teknik pembelajaran transfer untuk
mengklasifikasikan COVID-19 secara efektif dari gambar rontgen dada, di mana kami telah
memodifikasi model ResNet50 dengan menambahkan dua lapisan ekstra yang sepenuhnya
terhubung daripada standar Model ResNet50.
3. Usulan metodologi
Dalam karya ini, kami mengusulkan metode pembelajaran transfer untuk
mengklasifikasikan pasien Covid vs Normal dari gambar rontgen dada dengan
memanfaatkan berbagai bobot model ResNet50 TL yang telah dilatih sebelumnya. Diagram
metode yang diusulkan digambarkan pada Gambar. 1.
Dataset gambar rontgen dada digunakan dan kami membagi dataset secara acak
menjadi set pelatihan dan pengujian (validasi). Transformasi data diterapkan tanpa
augmentasi data. Sepuluh bobot model ResNet50 pra-pelatihan yang berbeda digunakan
yang dilatih pada berbagai jenis dataset gambar alam dan medis. Model ResNet50 [37]
telah dimuat dengan bobot yang telah dilatih sebelumnya ini dengan menyempurnakan
model untuk kinerja yang lebih baik.
Kemudian pelatihan dan evaluasi diterapkan pada model TL ResNet50 yang disempurnakan
ini. Setelah pelatihan dan evaluasi dilakukan, kami membandingkan model TL ini dan
mengusulkan model TL ResNet50 terbaik yang telah disesuaikan.
Akhirnya, gambar sinar-X dada dimasukkan ke dalam model yang diusulkan dan
memberikan keluaran yang diprediksi sebagai Covid atau Normal menggunakan klasifikasi
biner.

3.1. Deskripsi kumpulan data

2. Tinjauan literatur
Para peneliti menggunakan Basis Data Radiografi COVID-19 untuk melakukan

Belakangan ini banyak peneliti yang melakukan penelitian di bidang medis khususnya eksperimen [38,39]. Sebuah tim peneliti dan kolaborator dengan dokter medis membuat

teknik pengolahan citra medis. Mereka menggunakan teknik pembelajaran mesin (ML) database ini dari berbagai sumber internasional pada rentang waktu yang berbeda [14,40–

dan teknik DL dan sebagainya. Alat ML diterima secara luas sebagai alat yang menonjol 42]. Ada empat kategori (Covid, Lung Opacity, Viral Pneumonia, dan Normal) gambar

untuk meningkatkan prediksi dan diagnosis banyak penyakit [23,24]. Namun, untuk rontgen dada (CXR) dalam database ini. Semua gambar beresolusi 299 × 299 piksel dan

mendapatkan model ML yang lebih baik, diperlukan teknik ekstraksi yang efisien. Dalam dalam format file Portable Network Graphics (PNG). Gambar dalam skala abu-abu memiliki

sistem pencitraan medis, model DL diterima secara luas karena dapat secara otomatis tiga saluran yang berisi nilai RGB berulang.

mengekstraksi fitur atau menggunakan beberapa jaringan pra-terlatih seperti ResNet [25].
Pada [26], model VGG16 diusulkan untuk mengklasifikasikan pneumonia COVID-19 dan
pneumonia non-COVID-19 pada gambar rontgen dada. Dalam [27], penulis menggunakan Tabel 1 menyajikan jumlah gambar dari kelas yang berbeda dalam Database Radiografi

nodul paru pada gambar CT melalui jaringan konvolusi multifaset. Jaringan yang dalam
[28] digunakan untuk mensegmentasi gambar CT abdomen oleh lawan yang dalam. Penulis
menggunakan CNN 3-D pada CT Dada untuk mendeteksi nodul dada [29]. Untuk
mengklasifikasikan plak arteri koroner dan stenosis pada CT Koroner, penulis menerapkan
prosedur klasifikasi menggunakan CNN berulang [30]. Model CNN baru diusulkan untuk
klasifikasi gambar sinar-X dada [31].
Karena model CNN terlatih diketahui menghadirkan masalah praktis, penulis
mengembangkan arsitektur CNN yang dangkal. Para penulis telah menggunakan dataset
citra rontgen dada kelas 12 dengan akurasi terukur
COVID-19. Jumlah gambar tidak seimbang untuk keempat kelas konsep. Dua kelas dari
empat kelas yang terdiri dari Covid dan Normal digunakan dalam pekerjaan kami. Untuk
membuat dataset seimbang, kami memilih subset dari kelas Normal.
Tabel 2 menyajikan jumlah citra yang digunakan untuk rangkaian latih dan uji (validasi)
dari dua kelas yang berbeda. Kami membagi dataset menjadi dua set set kereta dan set uji
atau validasi dengan memilih gambar secara acak dengan proporsi masing-masing 80%
dan 20%. Set kereta digunakan untuk pelatihan model dan set tes digunakan untuk
memvalidasi model.
Beberapa gambar CXR pasien Covid dan Normal dari kumpulan data ini ditunjukkan pada
Gambar. 2 dan 3.

2
Machine Translated by Google

MB Hossain dkk. Informatika dalam Kedokteran Tidak Terkunci 30 (2022) 100916

Gambar 1. Diagram blok dari metodologi yang diusulkan.

Gambar 2. Contoh gambar Covid CXR dari Database Radiografi COVID-19.

Gambar 3. Contoh Gambar CXR Normal dari Database Radiografi COVID-19.

Tabel 2 teknik pembelajaran dapat memanfaatkan bobot model pra-terlatih ini

Pemisahan dataset citra Covid dan Normal menjadi train dan test set. pada masalah visi komputer yang berbeda dengan sumber daya terbatas
Covid Normal Total
Mengatur
(kumpulan data dan sumber daya komputasi). Dalam pekerjaan ini, kami
Kereta 2892 2917 5809 menggunakan 10 bobot berbeda yang telah dilatih sebelumnya dari model
Tes 723 730 1453
ResNet50 untuk melakukan pembelajaran transfer pada kumpulan data
Total 3615 3647 7262
gambar medis terbatas (Database Radiografi COVID-19). Di bagian berikut,
kami telah menjelaskan arsitektur model ResNet50 TL dan 10 bobot
berbeda yang telah dilatih sebelumnya. Model ResNet50 adalah model
Preprocessing data, augmentasi, dan transformasi adalah bagian CNN yang terdiri dari 50 layer. Arsitektur model ResNet50 termasuk
penting dari beberapa model visi komputer. Dalam percobaan kami, tidak konfigurasi fine-tuning untuk ResNet50 TL digambarkan pada Gambar 4.
ada teknik augmentasi data yang diterapkan. Kami hanya menerapkan Juga arsitektur untuk ResNet50 TL fine-tuned yang diusulkan disajikan
transformasi untuk mengubah ukuran gambar menjadi resolusi 224 × 224 pada Tabel 3.
piksel dari resolusi 299 × 299 piksel untuk model ResNet50. Ada serangkaian lapisan convolutional (conv) dalam arsitektur
ResNet50. Lapisan conv pertama dibuat dari ukuran kernel 7 × 7 dan 64
3.2. Model ResNet50 TL dan bobot yang telah dilatih sebelumnya kernel berbeda dengan ukuran langkah 2. Kemudian penyatuan maksimal
3 × 3 dengan langkah ukuran 2 diterapkan. Dalam konvolusi berikutnya,
Salah satu model terkenal yang bekerja sangat baik dalam berbagai ada tiga lapisan konv (1 × 1, 64 kernel), (3 × 3, 64 kernel) dan (1 × 1, 256
masalah visi komputer adalah ResNet [37]. Beberapa yang lain adalah kernel) masing-masing dan ketiga lapisan ini diulang sebanyak 3 kali.
VGG [43], DenseNet [44], Inception v3 [45], AlexNet [46], Mo bileNet [47], Dalam proses yang sama, tiga lapisan konv (1 × 1, 128 kernel), (3 × 3, 128
GoogLeNet [48] dll. Model ini dilatih pada sejumlah besar dataset dengan kernel) dan (1 × 1, 512 kernel) masing-masing diulang empat kali; tiga
berbagai kategori gambar. Transfer lapisan konv (1 × 1, 256 kernel), (3 × 3, 256 kernel) dan (1 × 1,

3
Machine Translated by Google

MB Hossain dkk.
Informatika dalam Kedokteran Tidak Terkunci 30 (2022) 100916

Gambar 4. Arsitektur ResNet50 TL yang disempurnakan.

Gambar 5. Latih dan hilangnya validasi berbagai model TL ResNet50.

1024 kernel) masing-masing diulang enam kali dan tiga lapisan konv
lainnya (1 × 1, 512 kernel), (3 × 3, 512 kernel) dan (1 × 1, 2048 kernel)
masing-masing diulang 3 kali. Kemudian polling rata-rata (kumpulan rata-
rata) diterapkan. Sebagian besar lapisan tersembunyi menggunakan
Normalisasi Batch, dan ReLU diikuti oleh lapisan konv. Lapisan terakhir
dari model ResNet50 asli adalah lapisan (fc) yang terhubung sepenuhnya
dengan 1000 fitur luar (untuk kelas 1000). Kami menyempurnakan model
ResNet50 dengan mengganti lapisan fc ini dengan satu set lapisan fc.
Lapisan fc pertama memiliki 2048 fitur keluar, kemudian diterapkan
dropout dengan probabilitas 0,5. Lapisan fc kedua sama dengan lapisan fc pertama.
transfer
Setelah
untuk
lapisan
dengan probabilitas 0,5 diterapkan. Lapisan fc terakhir terdiri dari 2048
fitur dan hanya 2 fitur keluar untuk klasifikasi dua kelas (Covid vs Normal).
Dalam karya ini, kami bereksperimen dengan pembelajaran transfer
dari 10 bobot berbeda yang telah dilatih sebelumnya dari model ResNet50.
Bobot pra-pelatihan ini dihasilkan dari kumpulan data yang berbeda.
Dataset ini memiliki banyak variasi. Saat kami bereksperimen dengan
kumpulan data gambar medis. Gambar medis (rontgen dada) sangat berbeda dari gam
Para peneliti sedang bereksperimen pada berbagai aspek pembelajaran
gambarfc medis
kedua,seperti
ReLU dan
rontgen
dropout
dada dan gambar CT scan. Diawasi

4
Machine Translated by Google

MB Hossain dkk. Informatika dalam Kedokteran Tidak Terkunci 30 (2022) 100916

Gambar 6. Melatih dan akurasi validasi berbagai model ResNet50 TL.

Tabel 3 bahwa model pra-pelatihan pada data berbutir halus cocok untuk analisis
Arsitektur untuk ResNet50 TL yang telah disempurnakan yang diusulkan. Blok bangunan
medis dan pra-pelatihan berkelanjutan dapat mengurangi kesenjangan
ditampilkan dalam tanda kurung, dengan jumlah blok yang ditumpuk. Downsampling dilakukan
oleh conv3_1, conv4_1, dan conv5_1 dengan langkah 2.
domain antara citra alam dan medis. The iNat dan NeWT adalah dua koleksi

Nama lapisan Ukuran keluaran Lapisan

data citra alami berbutir halus berskala besar. Para peneliti mengeksplorasi
konv1 112 × 112
pertanyaan yang berbeda dan melakukan berbagai analisis pada dataset
7 × 7, 64, langkah 2
iNat2021, NeWT, dan ImageNet serta menunjukkan kekuatan dan kelemahan
3 × 3 max pool, langkah 2
konv2_x 56 × 56 dari berbagai metode untuk transferabilitas pembelajaran yang diawasi
[1 × 1, 64 3
dan diawasi sendiri [50]. Penjelasan singkat tentang bobot yang telah
× 3, 64 1 ×
1, 256] × 3
dilatih sebelumnya yang digunakan dalam eksperimen kami tercantum di bawah ini:

konv3_x 28 × 28 [1 × 1, 128 3
× 3, 128 1 × 3.2.1. ChestX-ray14
1, 512] × 4 Pemberat pra-pelatihan ini adalah model ResNet50 dalam domain yang
konv4_x 14 × 14 [1 × 1, 256 dilatih pada dataset ChestX-ray14 [51] terdiri dari 112K gambar frontal-
3 × 3, 256 1
view chest X ray dari 30K pasien unik. Informasi rinci tentang bobot yang
× 1, 1024] × 6
telah dilatih sebelumnya ini dapat ditemukan di Taher et al. [49].
konv5_x 7×7 [1 × 1, 512 3
× 3, 512 1 ×
1, 2048] × 3 3.2.2. ChexPert
Kumpulan Bobot terlatih ini adalah model ResNet50 dalam domain yang dilatih
fc1 1×1
rata-rata in_features = 2048, out_features = 2048 pada dataset ChexPert skala besar yang tersedia untuk umum [52] yang
fc2 1×1
Putus terdiri dari gambar rontgen dada 224K dari 65K pasien. Detail tentang
sekolah 0,5 in_features = 2048, out_features = 2048 bobot yang telah dilatih sebelumnya ini dapat ditemukan di Taher et al. [49].
relu, putus 0,5
fc3 1×1
in_features = 2048, out_features=2
3.2.3. ImageNet
Bobot pra-pelatihan ini adalah model ResNet50 yang dilatih pada
kumpulan data ImageNet yang terkenal [53]. Bobot pra-pelatihan ini dimuat
model pembelajaran transfer yang dilatih pada dataset ImageNet telah dari koleksi model pra-pelatihan framework PyTorch (
sering digunakan dalam analisis citra medis. Studi terbaru [49] mengusulkan ÿ. . _ ).

5
Machine Translated by Google

MB Hossain dkk. Informatika dalam Kedokteran Tidak Terkunci 30 (2022) 100916

Gambar 7. Latih dan validasi kerugian dan akurasi semua model TL ResNet50.

3.2.4. _ ÿ ÿ 14 3.2.8. 2021_ _ _1

Bobot model ResNet50 pra-terlatih yang diadaptasi domain. Model ini dilatih
pada dua set data yang berbeda. Pertama, model diinisialisasi dengan bobot
ImageNet yang telah dilatih sebelumnya dan kemudian dilatih lagi pada dataset
ChestX-ray14 [49].
iNat2021 Mini [50] adalah versi lebih kecil (500K gambar) dari kumpulan data
iNat2021 yang berisi 50 gambar pelatihan per spesies. Model ResNet50 yang telah
dilatih sebelumnya ini menggunakan algoritme Swav yang diawasi sendiri [54]
saat melatih kumpulan data Mini iNat2021. Bobot pra-pelatihan dikumpulkan dari
kertas sumber yang sama dengan 2021_ dan ÿ. Nama file pra-terlatih _ _1000_ . ÿ.

3.2.5. 2021_ _ _
_ ÿ
beratnya adalah 2021_
Ini juga merupakan bobot model ResNet50 pra-terlatih yang diadaptasi domain
yang dilatih pada dua kumpulan data yang berbeda. Model ini diinisialisasi
3.2.9. _ 1
dengan bobot ImageNet yang telah dilatih sebelumnya dan kemudian dilatih lagi
Salah satu metode self-supervised learning (SSL) adalah MoCo (Momen tum
pada dataset ChexPert [49].
Contrast) v1. Ini adalah metode pembelajaran kontrastif. Bobot model ResNet50
pra-pelatihan yang dilatih pada kumpulan data ImageNet menggunakan MoCo v1
3.2.6. 2021_
dikumpulkan [55]. Bobot ini dilatih selama 200 zaman.
iNat2021 [50] adalah kumpulan data alam berskala besar yang terdiri dari 2,7
juta gambar dari 10 ribu spesies berbeda. Bobot model ResNet50 terawasi pra-
pelatihan ini dikumpulkan. Bobot pra-pelatihan ini diunduh secara manual dari 3.2.10. 2
_
sumber yang diberikan pada kertas itu dan nama file bobotnya adalah 2021_ . Metode SSL _ 2 adalah versi perbaikan dari 1. _
Model ini diinisialisasi dengan bobot ImageNet yang
_ . ÿ. dilatih sebelumnya, lalu
telah
Bobot model ResNet50 TL pra-pelatihan yang dilatih pada kumpulan data ImageNet
dilatih pada kumpulan data iNat2021. menggunakan 2 dikumpulkan dari makalah penelitian [55,56] ini. Bobot ini dilatih
_

selama 800 zaman.

Semua bobot model ResNet50 pra-pelatihan ini digunakan untuk menginisialisasi
3.2.7. 2021_ _ _
ÿ model TL ResNet50 kami. Setelah menginisialisasi bobot pra-latihan ini, kami
Bobot model ResNet50 terawasi pra-pelatihan ini juga dikumpulkan dari melatih model kami pada set data Radiografi COVID-19.
sumber yang sama [50] sebagai . Tetapi model ini hanya dilatih pada kumpulan
2021_
data iNat2021 alih-alih menginisialisasi bobot ImageNet yang telah dilatih 3.3. Penyiapan eksperimental, pelatihan, dan evaluasi
dengan
sebelumnya. 2021_ ÿ. ÿ. adalah nama file berat yang telah dilatih sebelumnya.
_ _ _ Pelatihan model dan tugas evaluasi dilakukan di pidato Google Colab dengan
runtime GPU. Kami menggunakan PyTorch, sebuah sumber terbuka

6
Machine Translated by Google

MB Hossain dkk. Informatika dalam Kedokteran Tidak Terkunci 30 (2022) 100916

Gambar 8. Confusion Matrix model ResNet50 TL.

paket pembelajaran mesin yang sebagian besar dibuat oleh departemen Riset AI Tabel 4

Facebook. Pemuat data PyTorch digunakan untuk memuat data dengan ukuran Hyperparameter model ResNet50 TL.
Parameter Nilai parameter
batch 32. Kami menggunakan konfigurasi yang sama dan kumpulan data yang sama
untuk semua model. Set data diunduh dari set data Kaggle (Database Radiografi Ukuran batch 32
Pengoptimal adam
COVID 19) menggunakan Kaggle API. Google drive digunakan untuk menyimpan
Tingkat pembelajaran 0,001
nama file set data serta titik pemeriksaan model terlatih.
Beta (0.9, 0.999)
Teknik pelatihan berulang diambil untuk beberapa epoch. Kami melatih semua 1eÿ08
Eps
model 50 zaman. Dataset pelatihan digunakan untuk pelatihan model, dan dataset Penurunan berat badan 0
pengujian digunakan untuk evaluasi model. Di setiap zaman, kami menghitung Kriteria Kerugian Lintas Eentropi

kerugian lintas-entropi di kereta dan set pengujian.

Kami menggunakan pengoptimal Adam [57] dengan laju pembelajaran 0,001, beta
(0,9, 0,999), eps 1eÿ08, peluruhan bobot 0. Tabel 4 menyajikan hiperparameter lainnya. Tetapi Model 2021___1 menunjukkan gambar yang berbeda.
pengaturan eksperimental kami.
Kerugian validasi meningkat selama periode sementara kerugian pelatihan sedikit
Kerugian pelatihan dan validasi yang digambarkan pada Gambar. 5 memberi
kita gambaran umum tentang bagaimana model dilatih selama serangkaian zaman. menurun. Meski kerugian awal sangat sedikit dibandingkan dengan model lain. Di
Kami melihat kereta dan hilangnya validasi sebagian besar model sangat dekat dan saling sisi lain, 2tindih
tumpang dan ImageNet tidak _

7
Machine Translated by Google

MB Hossain dkk. Informatika dalam Kedokteran Tidak Terkunci 30 (2022) 100916

menunjukkan peningkatan selama jumlah zaman yang lebih tinggi. Hal lain yang kami Tabel 5
Berbagai skor dihitung dalam kumpulan data uji untuk model ResNet50 TL yang berbeda di mana Pre
perhatikan adalah bahwa tingkat penurunan kerugian sangat tinggi pada tahap awal
= Presisi, Re = Recall, F1 = F1-score, Sup = Dukungan, Acc = Akurasi, INCXR14 = , iNSup = 2021_ ÿ,
(lebih sedikit zaman) dan tingkat ini menjadi hampir konstan pada zaman yang lebih ÿ
_ ÿ ÿ 14, INCxP = _ iNMSwAV = 2021_ ,
tinggi. Ini bisa jadi karena teknik pembelajaran transfer dengan bobot yang sudah iNSupFS = 2021_ _ _ _ _1 .
dilatih sebelumnya. Model Kelas Pra Ulang F1 Sup Rek
Akurasi pelatihan dan validasi model yang berbeda digambarkan pada Gambar. Covid 0,9791 0,9737 0,9764 723
Rontgen dada14 0,9766
6. Ini menunjukkan bahwa sebagian besar model mencapai akurasi tertinggi dengan Normal 0,9741 0,9795 0,9768 730
sangat cepat karena pembelajaran transfer dengan bobot yang telah dilatih Covid 0,9861 0,9834 0,9848 723
ChexPert 0,9849
sebelumnya. Tidak ada overfitting yang ditampilkan di _model apa pun. 1 menunjukkan Normal 0,9836 0,9863 0,9850 730

fluktuasi akurasi validasi pada epoch ke-29 yang secara tajam menurunkan akurasi Covid 0,8394 0,7953 0,8168 723
ImageNet 0,8224
validasi. Kita juga dapat melihat pola serupa di ÿ ÿ 14 tetapi perbedaan akurasinya
_ Normal 0,8073 0,8493 0,8278 730

lebih kecil dari 1. Di sisi lain, kita melihat pola yang menarik di ImageNet
_ dan akurasi Covid 0,9902 0,9737 0,9819 723
INCXR14 0,9821
validasi lebih tinggi daripada akurasi kereta tetapi tidak melebihi _ 2 model Normal 0,9744 0,9904 0,9823 730

putaran seperti 2021_ dan 2021_ ÿ. Covid 0,9650 0,9544 0,9597 723
INCxP 0,9601
_ Normal 0,9553 0,9658 0,9605 730
_

Gambaran sebaliknya dapat kita lihat pada model ChexPert, ÿ ÿ 14,_ dan 2021_ _1 di Covid 0,9635 0,9488 0,9561 723
iNSup 0,9566
mana akurasi kereta lebih Normal 0,9501 0,9644 0,9572 730
_ tinggi daripada akurasi validasi tetapi selisih akurasi

tersebut kecil. Covid 0,9696 0,9710 0,9703 723

iNSupFS 0,9704
Normal 0,9712 0,9699 0,9705 730
Gambar 7, menunjukkan ringkasan komparatif kerugian pelatihan dan validasi
serta akurasi pelatihan dan validasi dari semua model. Jika kita membandingkan Covid 0,9931 0,9903 0,9917 723
iNMSwAV 0,9917
Normal 0,9904 0,9932 0,9918 730
kehilangan kereta dari model yang berbeda, ini menunjukkan _ _1
bahwa 2021_ menjadi yang pertama dalam hal kehilangan Covid 0,9411 0,9281 0,9345 723
_ terendah dan 2 dan _ 1 0,9353
Normal 0,9297 0,9425 0,9361 730
ImageNet menjadi yang terakhir selama 50 zaman pelatihan. Dalam hal kerugian
Covid 0,7974 0,8382 0,8173 723
2021_ _ validasi, kita dapat melihat _1 mencapai kerugian terendah _ 2 0,8135
Normal 0,8312 0,7891 0,8096 730
dalam jumlah epoch yang lebih sedikit tetapi kerugian tersebut meningkat secara
bertahap di epoch_ yang lebih tinggi. ChexPert dan ÿ ÿ 14 bersaing satu sama lain
untuk mendapatkan
_ kerugian terendah dan 2 dan ImageNet bersaing untuk

mendapatkan kerugian tertinggi. Dalam hal akurasi pelatihan dan

_ validasi, 2021_ _1
menjadi yang pertama dengan akurasi tertinggi, dan
_ 2 dan, ImageNet menjadi yang
terakhir dengan akurasi yang lebih rendah. Oleh karena itu, ini
_ ÿ
menunjukkan bahwa 2021_ ÿ 14, dan model ChexPert bekerja dengan sangat baik skor evaluasi standar ditunjukkan pada Tabel 5, di mana kolom
akurasi pelatihan dan validasi yang lebih tinggi.
4. Analisis hasil dan pembahasan
Confusion Matrix, Precision, Recall, F1 Score, dan Accuracy adalah metode
evaluasi standar untuk model klasifikasi. Seperti namanya
menyarankan, Matriks Kebingungan memberi kita sebuah matriks sebagai output dan
menjelaskan kinerja model secara lengkap [58]. Ini memiliki empat terminologi
termasuk True Positive (TP), False Positive (FP), False Negative (FN), dan True
Negative (TN).
Presisi adalah jumlah kasus yang teridentifikasi dengan benar di antara semua
kasus yang teridentifikasi.
, = ÿ( + )
dan skor ImageNet sangat rendah dibandingkan dengan model lain. Dapat disimpulkan
bahwa 2021_ _1 mencapai skor tertinggi_di antara semua model lainnya.
_ _1 ,
Berbagai
Dukungan mewakili jumlah sampel yang digunakan selama evaluasi. Evaluasi telah
dilakukan pada dataset uji yang berisi
Foto rontgen dada 1453 dimana 723 kelas Covid dan 730 kelas Normal.
Precision, recall, dan f1-score dihitung baik untuk kelas Covid maupun kelas Normal.
Tabel 5 menunjukkan bahwa presisi, _ Model _1 mencapai skor
daya ingat, skor f1, dan akurasi tertinggi 2021_ di antara semua model.
Juga, skornya sangat menjanjikan. Presisi, recall dan f1-score masing-masing adalah
99,31%, 99,03% dan 99,17% untuk kelas Covid dan 99,04%, 99,32% dan 99,18% untuk
kelas Normal termasuk akurasi validasi 99,17%. Itu berarti semua skor evaluasi di
atas 99%. Di sisi lain, ImageNet dan 2 mendapatkan skor minimum di antara model
lainnya. Meskipun 14, ChexPert dan ChestX-ray14 telah mencapai skor
_ f1 di atas 97%,
ÿ -
14 kelas covid yang teridentifikasi selesai _
(1)

Recall adalah jumlah kasus yang diidentifikasi dengan benar dari semua _ ÿ ÿ

representasi positif. sampel 99% benar.

Tabel 6 menunjukkan akurasi maksimum, minimum, dan rata-rata sebagai
, = ÿ( + ) (2)
rangkuman dari semua model TL selama pelatihan dan validasi. Dari tabel tersebut
2021_
dapat disimpulkan bahwa model _1 telah mencapai posisi tertinggi
_ dengan pencapaian
Skor F1 adalah rata-rata harmonik presisi dan daya ingat. kereta maksimum (99,95%) dan akurasi validasi (99,52%) di antara model lainnya.

1 , 1 = 2 × ( × )ÿ( + ) (3)

4.1. Hasil perbandingan

Akurasi, di sisi lain, dapat didefinisikan sebagai rasio prediksi yang dikoreksi
terhadap total sampel masukan.
Beberapa penelitian telah dilakukan untuk identifikasi dan klasifikasi COVID-19
=( ) dalam beberapa tahun terakhir. Para peneliti sedang mencoba mencari cara yang
lebih baik untuk memecahkan masalah ini. Kami memeriksa dan membandingkan
ÿ( ) (4)
model yang kami sarankan dengan karya serupa yang ada di bagian ini yang
Matriks kebingungan dari evaluasi semua model ditampilkan ditunjukkan pada Tabel 7.
pada Gambar 8. Ini menunjukkan bahwa 2021_ _1
_ dengan benar mengidentifikasi Studi terkait di atas mengusulkan pendekatan yang berbeda untuk melaksanakan
Covid dan Normal (tanpa COVID-19) dengan sampel 99%. ChexPert mengklasifikasikan solusi untuk mengklasifikasikan COVID-19 dari citra medis. Pekerjaan kami telah
Covid dengan 99% dan Normal dengan sampel 98% dengan benar. ÿ ÿ 14 mencapai akurasi validasi 99,17% pada kumpulan data Ra diografi COVID-19.
_ mengklasifikasikan Covid dengan 99% dan Normal dengan Sepuluh ResNet50 terlatih yang berbeda digunakan dalam pekerjaan ini. Diantaranya,
97% sampel dengan benar. Dan ChestX-ray14 mengklasifikasikan Covid dengan 98% model 2021_ _1 menunjukkan kinerja yang sangat baik. _
dan Normal dengan 97% sampel dengan benar. Di sisi lain, 2 _

8
Machine Translated by Google

MB Hossain dkk. Informatika dalam Kedokteran Tidak Terkunci 30 (2022) 100916

Tabel 6 Deklarasi kepentingan bersaing

Ringkasan akurasi berbagai model TL ResNet50 selama 50 zaman pelatihan di mana Acmx = Akurasi
Maksimum, Acmn = Akurasi Minimum, Avacy = Akurasi Rata-Rata, E = Zaman, INCXR14 = ÿ ÿ 14,
INCxP = , iNSup 2021_ , iNSupFS = 2021_
_ ÿ , iNMSwAV = _1 . _ ÿ Para penulis menyatakan bahwa mereka tidak memiliki kepentingan
= _ _ keuangan yang bersaing atau hubungan pribadi yang dapat memengaruhi
2021_ _ pekerjaan yang dilaporkan dalam makalah ini.
Model Mengatur Acmx Acmx Acmn Acmn
makan makan Ketersediaan 50E
Referensi
Kereta 0,9764 47 0,8988 1 0,9688
Rontgen dada14
Tes 0,9780 36 0,9456 3 0,9696
[1] Mahase E. Coronavirus: covid-19 telah membunuh lebih banyak orang daripada gabungan
Kereta 0,9886 30 0,9107 1 0,9810 SARS dan MERS, meskipun tingkat kematian kasus lebih rendah. 2020.
ChexPert
Tes 0,9862 41 0,5038 1 0,9701 [2] Tang B, Wang X, Li Q, Bragazzi NL, Tang S, Xiao Y, Wu J. Estimasi risiko penularan 2019-nCoV

Kereta 0,8024 44 0,6729 1 0,7925 dan implikasinya terhadap intervensi kesehatan masyarakat. J Clin Med 2020;9(2):462.
ImageNet
Tes 0,8259 31 0,7688 1 0,8123
[3] Tang B, Xia F, Bragazzi NL, McCarthy Z, Wang X, He S, Sun X, Tang S, Xiao Y, Wu J. Pelajaran
Kereta 0,9904 34 0,9206 1 0,9823
INCXR14 yang diambil dari China dan Korea Selatan untuk mengelola epidemi COVID-19: wawasan
Tes 0,9828 46 0,5561 2 0,9644
dari studi pemodelan komparatif. ISA Trans 2021.
Kereta 0,9583 18 0,8879 1 0,9519 [4] Ahmadi A, Fadaei Y, Shirani M, Rahmani F. Pemodelan dan tren peramalan epidemi COVID-19
INCxP
Tes 0,9621 43 0,6965 1 0,9514 di Iran hingga 13 Mei 2020. Med J Islamic Repub Iran 2020;34:27.

Kereta 0,9494 42 0,8666 1 0,9419

iNSup [5] Gao Q, Bao L, Mao H, Wang L, Xu K, Yang M, Li Y, Zhu L, Wang N, Lv Z, dkk. Pengembangan
Tes 0,9566 24 0,7770 1 0,9467
kandidat vaksin yang tidak aktif untuk SARS-CoV-2. Sains 2020;369(6499):77–81.
Kereta 0,9594 31 0,8816 0,9506
iNSupFS
Tes 0,9711 42 0,9284 16 0,9611
[6] Corman VM, Landt O, Kaiser M, Molenkamp R, Meijer A, Chu DK, Bleicker T, Brünink S,
Kereta 0,9995 39 0,9363 1 0,9951 Schneider J, Schmidt ML, dkk. Deteksi 2019 novel coronavirus (2019-nCoV) dengan RT-PCR
iNMSwAV
Tes 0,9952 23 0,9140 1 0,9892 real-time. Pengawasan Euro 2020;25(3):2000045.

Kereta 0,9379 44 0,8179 1 0,9289 [7] Chu DK, Pan Y, Cheng SM, Hui KP, Krishnan P, Liu Y, Ng DY, Wan CK, Yang P, Wang Q, dkk.
_ 1 Diagnosis molekuler dari novel coronavirus (2019-nCoV) yang menyebabkan wabah
Tes 0,9353 45 0,8665 29 0,9256
pneumonia. Klinik Chem 2020;66(4):549–55.
Kereta 0,8027 42 0,7447 1 0,7917
_ 2 [8] Zhang N, Wang L, Deng X, Liang R, Su M, He C, Hu L, Su Y, Ren J, Yu F, dkk. Kemajuan terbaru
Tes 0,8135 47 0,5045 1 0,7961
dalam deteksi infeksi virus pernapasan pada manusia. J Med Virol 2020;92(4):408–17.

[9] Ai T, Yang Z, Hou H, Zhan C, Chen C, Lv W, Tao Q, Sun Z, Xia L. Korelasi pengujian CT dada
Tabel 7
dan RT-PCR untuk penyakit coronavirus 2019 (COVID-19) di Tiongkok : laporan 1014 kasus.
Perbandingan model yang diusulkan menggunakan studi serupa yang sudah ada.
Radiologi 2020;296(2):E32–40.
Metode Referensi SN Akurasi (%) [10] Wang S, Kang B, Ma J, Zeng X, Xiao M, Guo J, Cai M, Yang J, Li Y, Meng X, dkk. Algoritme
01 [59] COVIDX-Net 90 pembelajaran mendalam menggunakan gambar CT untuk menyaring penyakit virus corona
02 [60] CNN berbasis MADE 94,65 ± 2,1 (COVID-19). Eur Radiol 2021;1–9.
03 [61] VGG16 80 [11] Sarker IH. Pemodelan berbasis AI: Teknik, aplikasi, dan masalah penelitian menuju otomatisasi,
04 [62] 05 CNN yang dalam 93 sistem cerdas dan pintar. SN Comput Sci 2022;1–20.
[63] 06 [21] Jaringan Dalam UNet3D 90,80 [12] Sarker IH. Pembelajaran mendalam: tinjauan komprehensif tentang teknik, taksonomi,
07 [36] 08 ResNet + Perhatian Lokasi 86.70 aplikasi dan arah penelitian. SN Comput Sci 2021;2(6):1–20.
[34] DeTraC Deep CNN 93.1 [13] Choe J, Lee SM, Do KH, Lee G, Lee JG, Lee SM, Seo JB. Konversi gambar berbasis pembelajaran
VGG16 97.67 mendalam dari kernel rekonstruksi CT meningkatkan reproduktifitas radiomik untuk nodul
09 Usulan 2021_ _ _1 (ResNet50 yang Disempurnakan) 99.17 atau massa paru. Radiologi 2019;292(2):365–73.
[14] Kermany DS, Goldbaum M, Cai W, Valentim CC, Liang H, Baxter SL, McKeown A, Yang G, Wu
X, Yan F, dkk. Mengidentifikasi diagnosis medis dan penyakit yang dapat diobati dengan
pembelajaran mendalam berbasis gambar. Sel 2018;172(5):1122–31.
5. Kesimpulan dan pekerjaan masa depan [15] Negassi M, Suarez-Ibarrola R, Hein S, Miernik A, Reiterer A. Penerapan jaringan saraf tiruan
untuk analisis otomatis gambar sistoskopik: tinjauan status saat ini dan prospek masa depan.
Dunia J Urol 2020;1–10.
[16] Wang P, Xiao X, Brown JRG, Berzin TM, Tu M, Xiong F, Hu X, Liu P, Song Y, Zhang D, dkk.
Pengembangan dan validasi algoritma pembelajaran mendalam untuk mendeteksi polip
Dalam makalah ini, kami telah menyajikan model ResNet50 yang
selama kolonoskopi. Nat Biomed Eng 2018;2(10):741–8.
disempurnakan yang menerapkan teknik pembelajaran transfer untuk [17] Yan Q, Wang B, Gong D, Luo C, Zhao W, Shen J, Shi Q, Jin S, Zhang L, You Z.
Segmentasi citra CT dada COVID-19–solusi jaringan saraf konvolusional yang dalam. 2020,
mengklasifikasikan COVID 19 secara efektif dari gambar rontgen dada.
pracetak arXiv arXiv:2004.10987.
Untuk ini, kami telah memodifikasi model ResNet50 dengan menambahkan [18] Ozturk T, Talo M, Yildirim EA, Baloglu UB, Yildirim O, Acharya UR. Deteksi otomatis kasus
dua lapisan ekstra yang terhubung sepenuhnya daripada model ResNet50 COVID-19 menggunakan jaringan saraf dalam dengan gambar sinar-X.
Comput Biol Med 2020;121:103792.
default. Kami telah menggunakan sepuluh bobot pra-pelatihan yang [19] Ardakani AA, Kanafi AR, Acharya UR, Khadem N, Mohammadi A. Penerapan teknik pembelajaran
berbeda, dilatih pada berbagai kumpulan data skala besar yang menerapkan mendalam untuk mengelola COVID-19 dalam praktik klinis rutin menggunakan gambar CT:
Hasil 10 jaringan saraf convolutional. Comput Biol Med 2020;121:103795.
berbagai metode seperti pembelajaran
2021_yang diawasi,
_ pembelajaran yang
diawasi sendiri, dll. Di antara model TL ResNet50 ini, model _1 berperforma [20] Li L, Qin L, Xu Z, Yin Y, Wang X, Kong B, Bai J, Lu Y, Fang Z, Song Q, dkk. Kecerdasan buatan

sangat baik yang telah dilatih sebelumnya pada dataset Mini iNat2021
dengan algoritme SwaV. Pekerjaan kami mencapai akurasi validasi 99,17%, [21] Xu X, Jiang X, Ma C, Du P, Li X, Lv S, Yu L, Ni Q, Chen Y, Su J, dkk.
akurasi kereta 99,95%, presisi 99,31%, penarikan kembali 99,03%, dan skor F1 99,17% untuk kasus covid
Sistem pembelajaran
mendalam
(Covid dan Normal). Beberapa model yang _ ÿ - 14)
diadaptasi domain ( dan dalam domain (ChexPert, ChestX-ray14) menunjukkan
pentingnya yang menjanjikan dalam klasifikasi citra medis dengan mencapai
skor yang relatif lebih baik daripada model yang hanya dilatih pada kumpulan
data ImageNet. Sebagai pekerjaan di masa mendatang, kami dapat melakukan
studi lebih lanjut untuk menyajikan representasi kualitatif dari transfer
pengetahuan ke model kami dan mendeteksi wilayah minat COVID-19 dalam citra medis.
membedakan COVID-19 dari pneumonia yang didapat masyarakat pada CT dada. Radiologi
2020.
dalamuntuk
klasifikasi
menyaring dua kelas novel coronavirus disease 2019.
pneumonia
Teknik 2020;6(10):1122–9.
[22] Chen J, Wu L, Zhang J, Zhang L, Gong D, Zhao Y, Chen Q, Huang S, Yang M, Yang X, dkk. Model
berbasis pembelajaran mendalam untuk mendeteksi novel coronavirus pneumonia 2019 pada
computed tomography resolusi tinggi. Sci Rep 2020;10(1):1–11.
[23] Shukla PK, Shukla PK, Sharma P, Rawat P, Samar J, Moriwal R, Kaur M. Prediksi interaksi obat-
obat yang efisien menggunakan model pembelajaran mendalam. IET Syst Biol 2020;14(4):211–
6.
[24] Kaur M, Gianey HK, Singh D, Sabharwal M. Hutan acak berbasis evolusi diferensial multi-tujuan
untuk aplikasi e-health. Modern Phys Lett B 2019;33(05):1950022.

9
Machine Translated by Google
MB Hossain dkk.
[25] Yu Y, Lin H, Meng J, Wei X, Guo H, Zhao Z. Pembelajaran transfer mendalam untuk
klasifikasi modalitas citra medis. Informasi 2017;8(3):91.
[26] Nishio M, Noguchi S, Matsuo H, Murakami T. Klasifikasi otomatis antara pneumonia
COVID-19, pneumonia non-COVID-19, dan gambar rontgen dada yang sehat: kombinasi
metode augmentasi data. Sci Rep 2020;10(1):1–6.
[27] Setio AAA, Ciompi F, Litjens G, Gerke P, Jacobs C, Van Riel SJ, Wille MMW, Naqibullah
M, Sánchez CI, Van Ginneken B. Deteksi nodul paru pada gambar CT: reduksi positif
palsu menggunakan multi-view convolutional jaringan. IEEE Trans Med Imaging
2016;35(5):1160–9.
[28] Xia K, Yin H, Qian P, Jiang Y, Wang S. Algoritma segmentasi semantik hati berdasarkan
jaringan adversarial dalam yang ditingkatkan dalam kombinasi fungsi weighted loss
pada gambar CT perut. Akses IEEE 2019;7:96349–58.
[29] Pezeshk A, Hamidian S, Petrick N, Sahiner B. Jaringan saraf convolutional 3-D untuk
deteksi otomatis nodul paru di CT dada. IEEE J Biomed Health Inf 2018;23(5):2080–90.
[30] Zreik M, Van Hamersvelt RW, Wolterink JM, Leiner T, Viergever MA, Išgum I.
CNN berulang untuk deteksi otomatis dan klasifikasi plak arteri koroner dan stenosis
pada CT angiografi koroner. IEEE Trans Med Imaging 2018;38(7):1588–98.
[31] Klasifikasi gambar dada Kesim E, Dokur Z, Olmez T. X-ray oleh jaringan saraf
convolutional berukuran kecil. Dalam: Pertemuan ilmiah 2019 tentang elektro-elektronik
& teknik biomedis dan ilmu komputer (EBBT). IEEE; 2019, hal. 1–5.
[32] Nardelli P, Jimenez-Carretero D, Bermejo-Pelaez D, Washko GR, Rahaghi FN, Ledesma-
Carbayo MJ, Estépar RSJ. Klasifikasi arteri-vena paru pada gambar CT menggunakan
pembelajaran mendalam. IEEE Trans Med Imaging 2018;37(11):2428–40.
[33] Shin HC, Roth HR, Gao M, Lu L, Xu Z, Nogues I, Yao J, Mollura D, Summers RM. Jaringan
saraf konvolusional dalam untuk deteksi berbantuan komputer: arsitektur CNN,
karakteristik kumpulan data, dan pembelajaran transfer. IEEE Trans Med Imaging
2016;35(5):1285–98.
[34] Das AK, Kalam S, Kumar C, Sinha D. TLCoV-Sebuah model skrining Covid-19 otomatis
menggunakan pembelajaran transfer dari gambar rontgen dada. Chaos Soliton Fractal
2021;144:110713.
[35] Khan AI, Shah JL, Bhat MM. CoroNet: Jaringan saraf dalam untuk deteksi dan diagnosis
COVID-19 dari gambar rontgen dada. Program Metode Komputasi Biomed
2020;196:105581.
[36] Abbas A, Abdelsamea MM, Gaber MM. Klasifikasi COVID-19 pada gambar rontgen dada
menggunakan DeTraC deep convolutional neural network. Appl Intell 2021;51(2):854–
64.
[37] He K, Zhang X, Ren S, Sun J. Pembelajaran sisa yang mendalam untuk pengenalan
gambar. Dalam: Prosiding konferensi IEEE tentang visi komputer dan pengenalan
pola; 2016, hal. 770–8.
[38] Chowdhury ME, Rahman T, Khandakar A, Mazhar R, Kadir MA, Mahbub ZB, Islam KR,
Khan MS, Iqbal A, Al Emadi N, dkk. Bisakah AI membantu dalam skrining virus dan
pneumonia COVID-19? Akses IEEE 2020;8:132665–76.
[39] Rahman T, Khandakar A, Qiblawey Y, Tahir A, Kiranyaz S, Kashem SBA, Islam MT, Al
Maadeed S, Zughaier SM, Khan MS, dkk. Mengeksplorasi pengaruh teknik image
enhancement pada deteksi COVID-19 menggunakan foto rontgen dada.
Comput Biol Med 2021;132:104319.
[40] Vayá MdlI, Saborit JM, Montell JA, Pertusa A, Bustos A, Cazorla M, Galant J, Barber X,
Orozco-Beltrán D, García-García F, dkk. Bimcv covid-19+: kumpulan data gambar RX
dan CT beranotasi besar dari pasien covid-19. 2020, pracetak arXiv arXiv:2006.01174.
[41] Cohen JP, Morrison P, Dao L, Roth K, Duong TQ, Ghassemi M. Pengumpulan data
gambar Covid-19: Prediksi prospektif adalah masa depan. 2020, pracetak arXiv
arXiv:2006.11988.
[42] Haghanifar A, Majdabadi MM, Choi Y, Deivalakshmi S, Ko S. Covid-cxnet: Mendeteksi
covid-19 pada gambar rontgen dada bagian depan menggunakan pembelajaran
mendalam. 2020, pracetak arXiv arXiv:2006.13807.
[43] Simonyan K, Zisserman A. Jaringan konvolusional yang sangat dalam untuk pengenalan
gambar berskala besar. 2014, pracetak arXiv arXiv:1409.1556.
10
Informatika dalam Kedokteran Tidak Terkunci 30 (2022) 100916
[44] Huang G, Liu Z, Van Der Maaten L, Weinberger KQ. Jaringan konvolusional yang
terhubung dengan rapat. Dalam: Prosiding konferensi IEEE tentang visi komputer dan
pengenalan pola; 2017, hal. 4700–8.
[45] Szegedy C, Vanhoucke V, Ioffe S, Shlens J, Wojna Z. Memikirkan kembali arsitektur awal
untuk visi komputer. Dalam: Prosiding konferensi IEEE tentang visi komputer dan
pengenalan pola; 2016, hal. 2818–26.
[46] Krizhevsky A. Satu trik aneh untuk memparalelkan jaringan saraf convolutional.
2014, pracetak arXiv arXiv:1404.5997.
[47] Sandler M, Howard A, Zhu M, Zhmoginov A, Chen LC. Mobilenetv2: Residual terbalik
dan kemacetan linier. Dalam: Prosiding konferensi IEEE tentang visi komputer dan
pengenalan pola; 2018, hal. 4510–20.
[48] Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, Erhan D, Vanhoucke V,
Rabinovich A. Lebih dalam dengan konvolusi. Dalam: Prosiding konferensi IEEE
tentang visi komputer dan pengenalan pola; 2015, hal. 1–9.
[49] Hosseinzadeh Taher MR, Haghighi F, Feng R, Gotway MB, Liang J. Analisis pembandingan
sistematis pembelajaran transfer untuk analisis citra medis. Dalam: Adaptasi domain
dan transfer representasi, dan perawatan kesehatan yang terjangkau dan ai untuk
kesehatan global yang beragam sumber daya. Peloncat; 2021, hal. 3–13.
[50] Van Horn G, Cole E, Beery S, Wilber K, Belongie S, Mac Aodha O. Pembandingan
pembelajaran representasi untuk koleksi gambar alam. Dalam: Prosiding konferensi
IEEE/CVF tentang visi komputer dan pengenalan pola; 2021, hal. 12884–93.
[51] Wang X, Peng Y, Lu L, Lu Z, Bagheri M, Summers RM. Chestx-ray8: Database rontgen
dada skala rumah sakit dan tolok ukur pada klasifikasi yang diawasi secara lemah dan
lokalisasi penyakit thorax yang umum. Dalam: Prosiding konferensi IEEE tentang visi
komputer dan pengenalan pola; 2017, hal. 2097–106.
[52] Irvin J, Rajpurkar P, Ko M, Yu Y, Ciurea-Ilcus S, Chute C, Marklund H, Haghgoo B, Ball
R, Shpanskaya K, dkk. Chexpert: Dataset rontgen dada besar dengan label
ketidakpastian dan perbandingan pakar. Dalam: Prosiding konferensi AAAI tentang
kecerdasan buatan, Vol. 33; 2019, hal. 590–7.
[53] Deng J, Dong W, Socher R, Li LJ, Li K, Fei-Fei L. Imagenet: Database gambar hierarkis
berskala besar. Di: 2009 konferensi IEEE tentang visi komputer dan pengenalan pola.
Iee; 2009, hal. 248–55.
[54] Caron M, Misra I, Mairal J, Goyal P, Bojanowski P, Joulin A. Pembelajaran fitur visual
tanpa pengawasan dengan mengkontraskan penugasan cluster. 2020, pracetak arXiv
arXiv:2006.09882.
[55] He K, Fan H, Wu Y, Xie S, Girshick R. Kontras momentum untuk pembelajaran
representasi visual tanpa pengawasan. Dalam: Prosiding konferensi IEEE/CVF tentang
visi komputer dan pengenalan pola; 2020, hal. 9729–38.
[56] Chen X, Fan H, Girshick R, He K. Peningkatan baseline dengan pembelajaran kontrastif
momentum. 2020, pracetak arXiv arXiv:2003.04297.
[57] Kingma DP, Ba J. Adam: Sebuah metode untuk optimasi stokastik. 2014, arXiv
pracetak arXiv:1412.6980.
[58] Islam MM, Kashem MA, Uddin J. Prediksi kelangsungan hidup ikan di lingkungan
perairan menggunakan model hutan acak. Int J Artif Intell ISSN 2021;2252(8938):8938.
[59] Hemdan EE-D, Shouman MA, Karar ME. Covidx-net: Kerangka kerja pengklasifikasi
pembelajaran mendalam untuk mendiagnosis covid-19 dalam gambar x-ray. 2020,
pracetak arXiv arXiv:2003.11055.
[60] Singh D, Kumar V, Yadav V, Kaur M. Model skrining berbasis jaringan saraf dalam untuk
pasien yang terinfeksi COVID-19 menggunakan gambar rontgen dada. Pengenalan
Pola Int J Artif Intell 2021;35(03):2151004.
[61] Sahinbas K, Catak FO. Mentransfer jaringan saraf convolutional berbasis pembelajaran
untuk deteksi COVID-19 dengan gambar sinar-X. Dalam: Ilmu data untuk COVID-19.
Elsevier; 2021, hal. 451–66.
[62] Jamil M, Hussain I, dkk. Deteksi otomatis infeksi COVID-19 dari dada
X-ray menggunakan pembelajaran mendalam. 2020, MedRxiv.
[63] Zheng C, Deng X, Fu Q, Zhou Q, Feng J, Ma H, Liu W, Wang X. Deteksi berbasis
pembelajaran mendalam untuk COVID-19 dari CT dada menggunakan label lemah.
2020, MedRxiv.