Developing A Novel Deep Learning Technique using Convolutional Neural Network (CNN) for Automated Diagnosis and Differentiating Lung Infections on Chest X-ray.

هناك حاجة ملحة لتطوير أداة دقيقة وسريعة وفعالة من حيث التكلفة لتشخيص التهاب الرئة الفيروسي، وكذلك كوفيد-19. تقنيات التعلم العميق أدت إلى تقدمات رئيسية في مجال التصنيف الطبي للصور الطبية والكشف عنها وترتيبها ووصف الاختلاف الباثولوجي. الشبكات العصبية المتسلسلة هي إحدى الطرق الشائعة. في هذا المشروع نهدف إلى تصنيف صور أشعة الصدر إلى ثلاث فئات: طبيعية، التهاب الرئة وكوفيد-19 باستخدام نموذج تعلم عميق مدرب مسبقا (AI-CXR.NET). في هذا المشروع سوف نستخدم 10,000 صورة أشعة صدر لأغراض التدريب. يستخرج النموذج الأنماط الشعاعية لصور أشعة الصدر ويتابع الاختلافات الهيكلية في الرئتين الناتجة عن الأمراض. في الشبكة العصبية المتسلسلة ، يتم تحويل الصور المدخلة إلى تنسيق مصفوفة أولاً ، حتى يتم التعرف على الصورة من قبل الكمبيوتر ومعالجتها. تتم تسمية الصور المصفوفة بناءً على الفروق النسبية بينها. يتعلم النموذج آثار هذه الفروق خلال مرحلة "التدريب" ويقوم بعمل توقعات على مجموعة بيانات الصور "الاختبارية". خلال مرحلة معالجة البيانات المسبقة ، يتم تغيير حجم جميع صور أشعة الصدر إلى 224 × 224 بكسل قبل تدريب النموذج للتخفيف من المعلومات النصية المدمجة الموجودة في صور أشعة الصدر بشكل شائع. تستخرج نماذج التعلم العميق المناطق المميزة من تاصور باستخدام الطبقات الملتفة. تستخرج طبقات التعلم العميق الأولية حواف ومحيط الصور وغيرها، بينما تستخرج الطبقات اللاحقة مزيدًا من التفاصيل المرتبطة بالصور. تم تطوير واجهة برنامج للسماح بالتحميل السريع وتصنيف النتائج. يمكن لـ AI-CXR.NET تصنيف ثلاث فئات رئوية بنجاح، حيث تشير النتائج الأولية إلى قيم دقيقة ودقة التنبؤ تبلغ 87% باستخدام برنامج بايثون 3.9. من الممكن بناء نظام تعلم عميق دقيق للتصنيف السريع لصور الأشعة السينية الصدرية في ثلاث فئات، وكذلك يمكن دمج تصنيفات أخرى لتشخيص أكثر تحديدًا لاصابات الرئة.

There has been an outmost need to develop an accurate, fast, and cost-effective tool for diagnosis of viral pneumonia, as well as COVID-19. Deep learning approaches have led to major advancements in the field of medical image classification, detection, staging and description of pathological abnormalities. Convolutional Neural Network (CNN) is one of the popular approaches. We aim to classify chest X-ray images in three categories, normal, pneumonia and COVID-19 using a pre-trained deep learning model (AI-CXR.NET). We will use 10,000 chest X-ray images for training purpose. The model extracts radiographic patterns of CXR images and monitor structural differences in the lungs caused by the diseases. In a CNN, the input images are converted to a matrix format first, so that the image can be recognized by the computer and then be processed. The matrixes images are labeled based on their relative difference. The model learns the effects of these differences during the “training” phase and makes predictions on the “testing” image dataset. During the data-pre-processing step, all the CXR images are resized to 224 x 224 pixels prior to training the model to mitigate commonly found embedded textual information in the CXR images. Deep learning (DL) models extract features from the images using convolutional layers; and then the features used for classifying images. The initial DL layers extract edges, contours, etc., while later layers extract more attributed detail of the images. An interface to allow rapid uploading and results classification is developed. The AI-CXR.NET can successfully classify three lung categories, as the initial results suggest 87% accuracy, precision and F1 score values using Python 3 software Statistical Python 3.9 software. It is feasible to build an accurate deep learning system for rapid classificat