Classification of COVID-19 from Chest CT Images Using Ensemble Techniquesการจำแนกโควิด 19 จากภาพ CT Scan ด้วยการเรียนรู้แบบรวมกลุ่ม

Abstract

การระบาดใหญ่ของเชื้อไวรัสโควิด 19 ได้เน้นย้ำถึงความจำเป็นอย่างยิ่งในการพัฒนาเครื่องมือวินิจฉัยที่มีประสิทธิภาพซึ่งสามารถช่วยบุคลากรทางการแพทย์ในการประเมินผู้ป่วยได้อย่างรวดเร็วและแม่นยำมากยิ่งขึ้น งานวิจัยนี้นำเสนอการพัฒนาแบบจำลองสำหรับการจำแนกเชื้อไวรัสโควิด 19 จากภาพเอกซเรย์คอมพิวเตอร์ทรวงอก (CT Scan) ด้วยเทคนิคการเรียนรู้แบบรวมกลุ่ม (Ensemble Method) ด้วยชุดข้อมูล COVID-19 Radiography จำนวน 7,232 ภาพ แบ่งเป็นเชื้อโควิด 3,616 ภาพ ไม่มีเชื้อโควิด 3,616 ภาพ แบ่งชุดข้อมูลสำหรับการทดลองเป็นชุดสำหรับเรียนรู้ร้อยละ 70 (Training set) จำนวน 2,531 ภาพ ชุดสำหรับการตรวจสอบการเรียนรู้ร้อยละ 20 (Validation set) จำนวน 723 ภาพ ชุดสำหรับการทดสอบการเรียนรู้ร้อยละ 10 (Test set) 362 ภาพ และใช้ร่วมเทคนิคการแบ่งข้อมูล (K-Fold Cross Validation) จำนวน 5 ชุด (K=5) การทดลองได้แบ่งออกเป็น 3 กลุ่ม กลุ่มที่ 1 ใช้แบบจำลองที่ได้รับความนิยม 38 แบบจำลอง เลือกแบบจำลองที่ได้รับค่าความถูกต้อง (Accuracy) มากที่สุด 3 ลำดับนำไปใช้กับกลุ่มการทดลองที่ 2 และ 3 กลุ่มที่ 2 เชื่อมแบบจำลองโดยใช้เทคนิค Bagging ร่วมกับชุดข้อมูล 5 ชุด จำนวน 3 รูปแบบการทดลอง กลุ่มที่ 3 เชื่อมแบบจำลองโดยใช้เทคนิค Bagging โดยใช้แบบจำลองที่มีค่าความถูกต้องมากที่สุดในแต่ละแบบจำลอง จำนวน 2 รูปแบบการทดลอง พบว่าการทดลองในกลุ่มที่ 3 แบบจำลอง MobileNet ร่วมกับ DenseNet121 มีค่าความถูกต้องร้อยละ 99.30 เมื่อเปรียบเทียบกับแบบจำลองพื้นฐานในกลุ่มที่ 1 มีค่าความถูกต้องร้อยละ 97.23 พบว่ามีค่าความถูกต้องที่สูงขึ้นร้อยละ 2.07

The COVID-19 pandemic has emphasized the critical need for effective diagnostic tools that can assist medical personnel in evaluating patients more rapidly and accurately. This research presents the development of a model for classifying COVID-19 from chest computed tomography (CT) scans using ensemble learning methods. The study utilized the COVID-19 Radiography dataset containing 7,232 images, evenly divided between 3,616 COVID-19 positive images and 3,616 COVID-19 negative images. The dataset was split data to a training set (70%, 2,531 images), validation set (20%, 723 images), and test set (10%, 362 images), with 5-fold cross-validation (K=5). The experimental methodology was divided into three groups: Group 1 involved testing 38 popular deep learning models and selecting the three highest-accuracy models for further experimentation. Group 2 combined these models using bagging techniques across the five cross-validation data folds in three different experimental configurations. Group 3 utilized bagging to combine the highest-performing versions of each selected model in two experimental configurations. The results show that the experiment group 3 using MobileNet and DenseNet121 together achieved an accuracy of 99.30%, compared to the baseline model in group 1 with an accuracy of 97.23%, which is 2.07% higher.