Nouvelles

Soyez toujours informé

Abonnez-vous dès aujourd’hui à notre infolettre pour recevoir des nouvelles ainsi que des renseignements sur des activités et des événements à venir qui se déroulent à l’Université de Moncton.

Nouvelles

Soyez toujours informé

Abonnez-vous dès aujourd’hui à notre infolettre pour recevoir des nouvelles ainsi que des renseignements sur des activités et des événements à venir qui se déroulent à l’Université de Moncton.

Nouvelles

Soyez toujours informé

Abonnez-vous dès aujourd’hui à notre infolettre pour recevoir des nouvelles ainsi que des renseignements sur des activités et des événements à venir qui se déroulent à l’Université de Moncton.

Nouvelles

Soyez toujours informé

Abonnez-vous dès aujourd’hui à notre infolettre pour recevoir des nouvelles ainsi que des renseignements sur des activités et des événements à venir qui se déroulent à l’Université de Moncton.

Imprimer cette page
Calendrier
Nouvelles
Bottin
Imprimer cette page
Calendrier
Nouvelles
Bottin

Mardi 11 Janvier 2022

Mardi 11 Janvier 2022

Publication: Explainable COVID-19 Detection on Chest X-rays Using an End-to-End Deep Convolutional Neural Network Architecture

Mohamed Chetoui, étudiant au doctorat en sciences appliqués à l’Université de Moncton et Moulay Akhloufi, professeur au département d’informatique de l’Université de Moncton, en collaboration avec le Dr. El Mostafa Bouattane, Directeur performance à l’Hôpital Montfort et chercheur membre à l'Institut du Savoir Montfort, ont coécrit un article sur la détection de la COVID-19 à l’aide de l’intelligence artificielle.

Résumé : La pandémie de coronavirus se propage rapidement et dans le monde entier. Les modalités d'imagerie médicale telles que la radiographie jouent un rôle important dans la lutte contre le COVID-19. Les techniques d'apprentissage profond ont pu améliorer les outils d'imagerie médicale et aider les radiologues à prendre des décisions cliniques pour le diagnostic, le suivi et le pronostic de différentes maladies. Les systèmes de diagnostic assisté par ordinateur (DAO) peuvent améliorer l'efficacité du travail en délimitant précisément les infections sur les images de radiographie thoracique (CXR), ce qui facilite la quantification ultérieure. La DAO peut également contribuer à automatiser le processus de numérisation et à remodeler le flux de travail avec un contact minimal avec le patient, offrant ainsi la meilleure protection possible aux techniciens en imagerie. L'objectif de cette étude est de développer un algorithme d'apprentissage profond pour détecter les cas de COVID-19, de pneumonie et de cas normaux sur des images CXR. Nous proposons deux problèmes de classification, (i) une classification binaire pour classer les COVID-19 et les cas normaux et (ii) une classification multiclasse pour les COVID-19, les pneumonies et les cas normaux. Neuf ensembles de données et plus de 3200 images CXR COVID-19 sont utilisés pour évaluer l'efficacité de la technique proposée. Le modèle est entraîné sur un sous-ensemble de données du National Institute of Health (NIH) à l'aide de l'activation swish, ce qui améliore la précision de l'entraînement pour détecter le COVID-19 et d'autres pneumonies. Les modèles sont testés sur huit ensembles de données fusionnés et sur des ensembles de tests individuels afin de confirmer le degré de généralisation des algorithmes proposés. Un algorithme d'explicabilité est également développé pour montrer visuellement l'emplacement des zones infectées du poumon détectées par le modèle. De plus, nous fournissons une analyse détaillée des images mal classées. Les résultats obtenus atteignent des performances élevées avec une aire sous la courbe (AUC) de 0,97 pour la classification multi-classes (COVID-19 vs. autre pneumonie vs. normal) et de 0,98 pour le modèle binaire (COVID-19 vs. normal). La sensibilité et la spécificité moyennes sont respectivement de 0,97 et 0,98. La sensibilité de la classe COVID-19 atteint 0,99. Les résultats sont supérieurs aux modèles comparables de l'état de l'art pour la détection de COVID-19 sur des images CXR. Le modèle d'explicabilité montre que notre modèle est capable d'identifier efficacement les signes de COVID-19.

 Vous pouvez lire l'article complet ici (en anglais).

-30-

Pour information :

Direction des communications, communication@umoncton.ca, 506-858-4129

Vous pouvez également remplir le formulaire de demande de renseignements ou d’entrevue.




Retourner aux nouvelles