Resumen

Desde el brote de la enfermedad por Coronavirus 2019 (COVID-19), ésta se ha extendido rápidamente por todo el mundo y aún no ha sido controlada eficazmente. Muchos investigadores están estudiando la nueva neumonía por Coronavirus a partir de imágenes de rayos X de tórax. Con el fin de mejorar la precisión de la detección, se proponen dos módulos sensibles a la información de características, el módulo de fusión de características multiescala de doble ruta y el módulo de convolución separable en profundidad densa. Basándose en estos dos módulos, se diseña un modelo de red neuronal convolucional ligera, D2-CovidNet, para ayudar a los expertos a diagnosticar COVID-19 mediante la identificación de imágenes de rayos X de tórax. D2-CovidNet se prueba en dos conjuntos de datos públicos, y su exactitud de clasificación, precisión, sensibilidad, especificidad y puntuación F1 son 94,56%, 95,14%, 94,02%, 96,61% y 95,30%, respectivamente. En concreto, la precisión, sensibilidad y especificidad de la red para COVID-19 son del 98,97%, 94,12% y 99,84%, respectivamente. D2-CovidNet tiene un menor número de cálculos y de parámetros. En comparación con otros métodos, D2-CovidNet puede ayudar a diagnosticar COVID-19 con mayor rapidez y precisión.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:d2-covidnet, imagen de rayos, menor número de cálculos, módulo de fusión de características, módulo de convolución separable, nueva neumonía por coronavirus, brote de coronavirus, modelo de red neuronal, conjunto de datos públicos, módulo
• Keywords:d2-covidnet, ray image, fewer computation number, features fusion module, separable convolution module, novel coronavirus pneumonia, outbreak of coronavirus, neural network model, public data set, module