Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   11 ,  No.   1 ,  Febr uar y   2021 , pp.  844 ~ 850   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v11 i 1 . pp 844 - 850          844       Journ al h o me page :  http: // ij ece.i aesc or e.c om   A deep l earning  framewo rk to det ec t   Co vid - 19   dise ase via c hest  X - r ay and  CT scan im ages       Moham med  Y . Kamil   Coll ege of   Scie n ce s,  Mus ta nsi ri yah  Univer si t y ,   Ir aq       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   J un  22, 2 020   Re vised  Ju l  29 ,   2020   Accepte d  A ug  10 , 201 9       COV ID - 19   disea se  has  r api dl y   s pre ad  al l   over   th e  world  a t  th e  b egi nning  of   thi s  y e ar.   Th e  h ospita ls '   rep orts   have   tol d  that  low  sensiti vity   of  RT - PC R   te sts  in  the   inf ec t ion  ea rl y   sta ge.   At  which  point ,   a  rap id  a nd  ac cur a te  dia gnostic   t ec h niqu e,   is  nee d e d  to  det ec t  th e   C ovid - 19 .   CT  has  bee n  demons tra te d  to   be  a  suc ce ss ful  tool   in  the   d i agnosis  of  diseas e.   A  deep   le arn ing  fra m e work  ca n  be  de vel oped  to  ai d  in  eva lu ating  CT  exa m s  to   provide   di agnosi s,  thus  saving  tim e  for  disea se  c ontrol .   In  thi s  w ork,   a  d ee p   le arn ing  m odel   was  m odifi ed  to  C ovid - 19   det e c ti on  via   f eature s   ext ra ct ion   from   che st  X - ra y   and  CT   imag es.   Ini ti a lly ,   m an y   tra nsfer - le a rn ing  m odel s  have   appl i ed  an d  compari son  i t ,   th en  a  VG G - 19  m odel   was  tu ned  to   get    the   b est  resul ts  tha t   c an  be   ad opte d  in   th e  di sea se  di agnosis.   Diagnostic   per form anc e  wa s  assess ed  for  al l  m odel s  used  via   the   d at ase t  th at   included   1000  images.   T he  VG G - 19  m o del   a chieve d  th e  highe st   accurac y   of  99% ,   sensiti vity   of  9 7. 4 %,   and  spe ci f icit y   of  99 . 4 % .   Th e  deep  learni ng   and  image   proc essing  demons tra te d  high  per form anc e  in   ea rl y   C ov id - 19   det ection.    It  show s  to  be   an  auxi liar y   d et e ct ion  wa y   fo r  cl inical   doc to rs  and  thus  cont ribute  to the   cont rol   of the  p a ndemic.   Ke yw or d s :   Ar ti fici al   i ntell igence   C hest X - r ay   C ov i d - 19   CT  scan   D eep  lear ning   This   is an  open   acc ess arti cl e   un der  the  CC  B Y - SA   l ic ense .     Corres pond in g  Aut h or :   Moh am m ed  Y. Kam il ,    Coll ege  of   Sci ences,     Mustansiriy ah   Un i ver sit y,    Ba ghda d,   Ir a q.   Em a il :  m 80 y98@u om us ta ns iriy ah. e du.iq       1.   INTROD U CTION   Most  countrie s  in  the  world   hav e  bee n  in fec ti ng   with  Coro nav ir us   disease  (C ovid - 19)  wit h  2. 5  m illi on   co nf ir m ed  cases   [1] .  The  ou t br ea k  was  declare d  as  a  “p ub li c   healt h  em erg ency  of   i nternat ion al   con ce r n”  ( PHEIC)  by  the  " World  Healt h  Orga nizat ion "  ( WH O ).   C ovid - 19  has  widely   sp rea d  over  al l  worl d  since  on  Ja nuary  30,  20 20   [2] .  It  is  a  hi gh ly   co ntagi ous  pe rs on - to - pe rson  tra ns m is sible  an d  pne um on ia     cause d   [3] .  B ased  on  the  WHO' s  repor t s,  the  m or ta li t y  rate  has   2 - 3%   of   pe ople   because   of   th e  virus .     In   t he  ab sence   of   a  preve ntiv e  vaccine  for  C ov i d - 19   dise ase.  It  is  esse nt ia l  to  diagnost ic   te sti ng   at   an   early   sta ge  based  on  crit eria  as  cl inica l  sym pto m s,  "R eve rse - tra ns cri ption  poly m erase  chai n  r eact ion "  (RT - P CR ),   so   as  to  isolat e  the  infected  people  i m m edi at el y   [4] .  Ho w ever,  there  are   rep ort s  sho wing   the  RT - PC R  te st  m igh t  no t  be  enou gh   se ns it ive  f or   ea rly   de te ct ion   [ 5,   6] .  So,  com pu te d  tom og ra phy  (CT)  a pp ea re d  as    a  noni nv a sive   i m aging   a ppr oach  that  ca n  detect   spe c ific   le sion s   in  t he  lu ng  ass oc ia te d  with  C ovid - 19     disease   [ 7] .  Chest  CT  is  a  di agnostic   too l  for  pne um on ia   and   C ov i d - 19 ,  is  easy   to  do,  an d  can  outp ut  an   accurate  diag nosis.  It  sho ws   perfect   ra diogra phic   featu r es  in  al l  C ov i d - 19   im ages,  as  m ult ifocal  patc hy   consolidat io n,   gro und - glass  opaci ti es,  and   m ulti fo cal   patch y  con s olidati on   [ 8] .  It  has  be en  note d  that  s ever a l   patie nts  ha d  a  neg at ive  RT - P CR   te st  wh il e  in  the  Chest  C T  scan  hav i ng   po sit ive   [9] .  A rtific ia l  intel li g ence   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A d ee p  le ar ni ng fr am ew or k t o detec t  C ovi d - 19   disease   …   ( Mo hamm e d Y.  Kam il )   845   (AI)   in vo l ving   m achine  le arn ing   (M L )  and   deep   le ar ning  (D L )  has  gra nd  evide nce  su c cess  in  the  m e dical   i m age  under st and i ng   sco pe  du e  t o  it s  high  stre ng t h  of   cl assifi cat ion  and   featu re  extracti on   [ 10 ,  11] .  Conv olu ti onal   neural  net wor k  (C NN)  has  widely   ap plied   to  detect   a nd  viral  pne um on ia   an d  diff e r entia te   bacteria l  in   ch est   rad i ogra phs.  CN N  has   powe rful  in   fea ture  e xtracti on ,  in vo l ves  sp at ia l  filt ers  that  colle ct   inf or m at ion   on   the  str uctu re   [ 12 ] .  D octo rs  usual ly   us e  X - ra ys  to  dia gnos e   lu ng  in flam m a ti on   a nd  pne um on ia .   A ll   hosp it al s  ha ve  X - ra y  im a ging,  it   c ou l d  be   possible  t o  use   X - rays  to   an al yz e  the  lungs   of  C ovid - 19   pa ti ent.  But X - ray a nal ysi s r eq uires  takes si gn i ficant  tim e and  a  rad i ology ex pe rt   [ 13] .     Li   et   al.   [ 14]   de velo ped  a   ne ur al   netw ork  m od el   is  cal le d  (CO N V Net)  to   the  de te ct io n  of    C ov i d - 19   via  chest  CT  i m ages.  The  data  was  use d  c ons ist s  of   43 56   i m ages  for  33 22  patie nts  a ge   around  49± 15  ye ars.  T hey  ba sed   on   the  Re stNet 50  m od el   to  de vel op  the   al gorith m   cou ld  us e  a   rob us t  dia gnosi s  for   C ov i d - 19 .  T he   sensiti vity   and   s pecifici ty   of   t he  w ork   wer e  repo rted  as  90 %  a nd  96% ,  res pe ct ively .    Bhan dar y  et   al .   [15]  pro pose d  a  m od ifie d  Al exN et   m od el   by   us in g  a  sup port  vector   m achine  a nd   c om par ed  it   against  Softm a x.  T hey im plem ented   on  1018 im ages o f  the  ch est   X - r ay  b e longin g  to  the  LID C - I DRI   da ta base   to  detect   pneu m on ia   and   c an cer.  T he  al gori thm ’s  per f orm ance  has  e valu at ed,   a nd  it   ha s  97. 27%  acc uracy ,   98.09%  se ns it iv it y,  and   95. 63 %  sp eci fici ty .  Wang  et   al.   [16]   m od ifie d  th e  In cepti on   m od el   via  the  transf e r - le arn in g  m et ho d  to  prov i de  a  cl in ic al   diagno sis  that  cou l d  a id  C ov i d - 19 ’s  gr a phic al   featu res  ext racti on.  They  hav e  c ollec te d  1119  im ages  (CT  scan )  of  dia gnos e d  with  vi ral  pn eum on ia   and   C ov i d - 19   ca se s.  The  evaluati ng  data set   sh owed  a n  accuracy  of  79 .3 %  with  a  sen sit ivit y  of   67 %   and   s pecifi ci ty   of   83%.  Xu  et   al.   [17]   est ablishe d  a  scree ning  s yst e m   fo r  the  detect ion   of   C ov i d - 19   diseas e  based   on  dee p  le arn i ng  te ch niques   us in g  CT  i m ages.  This  syst em   was  bu il t  on  Re sn et   18   m od el ,  al so   c ollec te d  the  i m ages  fr om   three  ho sp it al s   in  China,  a bo ut  618  im ages.  The  im ple m e nts  res ult  of fe r ed  that  accu ra cy ,  sensiti vity ,  and   s pecifici ty   was   86.7%,  93.1 % ,   90%,  re sp ect i vely .  D hur gh a m   et   al.   [18]   de velo ped   a  m achine  le ar ning techn iq ue  t hat  ai ded   in   detect ing   the   infecti on   e f fici ently   fo r  C ov i d - 19   dis e ase  by  us in g  chest  CT   i m ages.  They  us ed    the  FFT - Ga bor   m et ho d  an d  achieve d  an  acc ur acy   of  95. 37%,  sp eci fici ty   94.76% ,  an d  sensiti vity   95 . 99%  via   exam ined  on a   dataset  consist   of 47 0  im ages f or  C ov i d - 19   pa ti ents.   The  m otivati on   in  t his  w ork,   a n  a uto m ated   dia gnos is  syst e m   dev el opm ent  is  able  to  analy z e     the  le sion   fro m   rad iolo gy  im ages  and   ai de   do in g  a  rap i d  an d  accur at e  diagnosis.  T he  rest  of   this   stud y   consi sts  of:   S ect ion   2  pres ents  the  m et ho dolo gy  of   t he   pro posed  de ep  le ar ning  fr am ewo r k.   D at aset  Inform at io n  an d  pe rfor m ance   evaluati on  m e tric s  al so   res ul ts,  and   disc us si on s  a re  pr ese nt ed  an d  descr i be d  in   s ect ion   3. I n  th e e nd, t he  c onc lusio n  is s how n  in  s ect io n 4.       2.   MA TE RIA L S  AND MET H ODS   2.1.    C N N  m odel   In   deep   le ar ni ng,  CN N  is  a  cl ass  of   deep   neural  netw ork s  that  at tem pts   to  si m ulate   the  process  of  analy zi ng   im a ges  via  the  vis ual  co rtex  (ce r ebr al   c or te x)  in  the   brai n   [ 19] .  I n  t he  pa st,   m os t  researchers  in   com pu te r  visio n  e xtracted   th e  featu res  by  hand - cra fted  f or  bette r  res ults  in  cl assifi cat ion   [ 20 ] .  N owadays ,  CNN  pe r form s   the  resp ect ive   work   of   feat ure  extracti on  a uto m at ic ally  throu gh   the  trai ni ng   sta ge  base d  on  poolin g  la ye rs   and   c onvoluti on   la ye rs   [ 21 ] .   Conv olu ti onal   la ye rs  consi st  of   var i ous  ty pe s  of   filt ers  th at   are  trai ned  acco rd i ng  to  t he  cl ass ific at ion   go al .   Wh il e  the   po ol ing   la ye rs  a re   doin g  re duci ng  the   dim ensio n  of   featur e  e xtracti on   a nd  retai n  t he  siz e  an d  sh a pe  of  an  im age.  The re  are  m a ny  CNN  m od e ls  popu la rly   be cause  of   their  e ff ic ie ncy  and  r ob us t ness  in  the  fiel d  of  patte r n  rec ogniti on   [22] .  I t  is   us ed  in  m a ny  sco pes,   es pe ci all y  in  the  cl assifi c at ion   of  m edical   i m ages   [23] .  He nce,  t he  VGG - 19  one  of   t he  m od el s  us e d  in   our  work  is  il lustrate d  in  Fi gure   1.           Figure   1. Mo d ifie d V GG - 19  m od el  arch it ect ur e   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  11 , No .  1 ,  Febr uar y  2021  :    844   -   850   846   VGG - 19  arc hitec ture  co ns ist s  of   co nvol ution al ,   poolin g,  and   f ully   con necte d  la ye rs .  It  con ta i ns     a  total   of   25   la ye rs.   The  in pu t   i m age  siz e   is  224× 224  pi xels.  The  filt er  siz e  is  3×3   pix el s  for  the  co nvolut ion a l   la ye r  (ReLU ).  The  m ax - po oling  la ye r  is  us e d  to   re duce  the   cost  a nd  siz e  of  the  data.  I n  the   fi nal  arc hitec ture ,   the  la ye rs  have  a  fu ll y - conn ect ed  la ye r  (F la tt en  and   Re L U)   with  a  dro pout  of   ( 0.5 )  that  m et ho d  to  reduce   ov e rf it ti ng a nd an   outp ut lay er w it h  s of tm ax  act ivati on .     2.2.     Perf orm an ce  e va lu ati on  m e trics   A  var ie ty   of   m et rics  hav e  us e d  agr eea ble   by  the  sci entifi c  com m un it y  to  e valuate  the  perform ance  of   the  cl assifi cat ion  syst em   to  detect   lu ng  di sease   [24] .   T he  pe rfor m ance  of   this  stu dy   is  e valuated   with     the  co nfusi on  m at rix  base d  on  the   esse ntial   pa ram et ers  us ed:  tr ue - posit ive  (TP),  tr ue -   neg at ive   ( TN ),  false - po sit ive  ( FP ),   and   false - neg a ti ve  (F N ).   By   these  par am et ers,   it   can  be  c al culat ed  valid it y  m et rics,  su ch  as  accuracy,  se nsi ti vity ,  sp eci fici ty ,  F1   scor e,   pr eci sio n.   Al so ,  ot her   valu es  false - ne gati ve  rate  (FNR) ,  false  po sit ive  rate  ( FPR),   fa lse   dis cov e ry  rate  (FDR),  false  om i ssion   rate  (FO R),  m atthew s  correla ti on   c oe ff ic ie nt  (MCC ),   bo okm aker   inf or m edn e ss  (BM)  and   m ark ed ne ss  (MK )  are  al so   com pu te d.  The  m at hem at ic a l   form ulae o f  t he se m easur es c an be e xpresse d  as   [ 25 ] :        =  +   +  +  +    (1)       =   +      (2)         =   +      (3)     1  = 2    2    +  +    (4)       =   +    (5)      =  +    (6)      =   +    ( 7 )      =   +    ( 8 )      =   +    ( 9 )      =   +      ( 10 )      =  ×  −  ×  √ (  +  ) (  +  ) (  +  ) (  +  )     (1 1 )      =  +  − 1   (1 2 )      =  +  − 1       (1 3 )       3.   RESU LT S   A ND D I SCUS S ION S   In  this  sect io n,  the  res ults  are  pr ese nted   f or  l ung  cl assi ficat ion.  At  fi rst,  th e   dataset   us e d  is   presente d,  and   i nfor m at ion   it s,  then ,  the  m et rics  us ed  ar e  sh ow n  f or   pe rfor m ance  eval uation,  as  well   as  detai l   the  re su lt s   of the im ple m e nted, al so com par e  w it h ot her relat ed w orks.     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A d ee p  le ar ni ng fr am ew or k t o detec t  C ovi d - 19   disease   …   ( Mo hamm e d Y.  Kam il )   847   3.1.    D atase t  i nf or ma tio n   This  wo rk ,  a  database  of   lun g  disease  with  chest  X - ray  or   CT  im ages  is  us ed,   wh ic h  is  pu blicl y  avail able  in  Re f.   [2 6]  and   Re f.   [23] .  The  dataset   con ta ins  10 0 0  im ages,  80 5  im ages  of   no rm al ,  and   19 5  im ages  of   C ov id - 19 .  The  no rm al   as  Chest  X - ray  im ages,  wh il e  C ov id - 19   im ages  con sist   of   17 2  Chest    X - ray  and   2 3  Lun g  CT  im ages,  sh ow n  in  the  Table  1 .  All  im ages  fo r  C ov id - 19   with  chest  X - ray  or   CT  im ages,  are av ai la bl e  in 2 4 - bit  RGB - scal e in  JPEG  f or m at , w it h  a d iffer ent  siz e. Chest  X - ray no rm al   (CXRN)   im ages  wer e  sel ect ed  fr om   Gu ang zho u  W om en  and   Chil dr en’ s  Me dical   Ce nter.   All  CXRN  im aging   was  per fo rm ed  as  a  m ajo r  a sp ect   of   patie nts’  daily   care.  Be fo re  trai nin g  the  sy ste m ,  the  real  diagn os es  fo r    the  im ages  wer e  evaluated  by  three  exp ert  rad iolog ist s.  The  CXRN  im ages  are  avail able  in  JPEG   fo rm at ,  and   a d iffer ent size  o f  abo ut 2 02 2 ×21 29  to  10 88 ×82 4.  I m ages s a m ples u sed  can b e sh ow n  in Fig ur e  2.             (a)   (b)   (c)     Figure   2. Sam ple o f  lu ng im ag e ,   (a )  C hest X - r ay   norm al , ( b)  Chest  X - r ay   C ov i d - 19 ,    (c)  CT  im age  C ov i d - 19       Table  1 .  Ca te gorize al l i m ages th at   hav e  test ed.   Dataset   C lass   Nu m b e r  o f  i m ag es   Lun g  CT   Co v id - 19   23   Ch est X - ra y   Co v id - 19   172     No r m al   805   Total      1000       3.2.    F ine - tuni ng   th e  V GG 19 m od el   The  deep   le arn ing   syst em   was  im plem ented  in  a  per so nal  com pu te r  with  an  In te l  Core  i7 - 7700HQ  CPU  @  2. 81   GH z,  Nv idia  GeFo rce  GTX   10 50 - Ti  gr aph ic   card s,  and   16   GB o f  RAM, wo rk ing  o n  a W ind ow s  10   (6 4 - bit)  op erati ng   sy ste m ,  and   im plem ented  fu ll y  in  Pyt ho n  la ng uag e  via  Ker as  li br ary  with  Op en  CV   and   Tenso rf low  as  back - end .   The  VG G1 9  m od el   giv en  in  Figu re  1  was  trai ned   at   80 %  and   validat ed  on   20 %    fo r  al l  dataset   avail able  i m ages.  Ba sed  on   the  abo ve,   20 0  im ages  hav e  us ed  fo r  the  validat ion   set   and     the r em ai nin g  80 0  im ages  fo r  the  trai nin g  set .  Ther e w ere  19 5  C ov id - 19   and  8 05   no rm al  im ages.  So , th e  rati o  of  COVI D - 19   to n or m al  im ages in  the total datase t was ar ou nd  2 4%.   The  e xp erim ental   wo rk   in  this  stud y  is  div ided  into  three - sta ge.   In   the  first  ste p,   al l  im ages  hav e  pr epr ocessed  via  con ver ti ng   it   to  the  RGB scal e and  r esi zi ng  it  to  22 4×2 24  p ixels so  that t he  im ages ar e read y  as  an  inp ut  to  the  CNN  m od el .  Then ,  the  data  (im ag e  intensit y)  wer e  no rm al iz ed  by  con ver ti ng   it   to  the  ran ge    (0 ,  1) .  In   the  secon d  ste p,   since  the  nu m ber   of   trai nin g  im ages  (d at a)  us ed  in  ou r  wo rk   is  no t  su ff ic ie nt  and   to  ensu re  that  m od el   gen erali zes,  data  aug m entat ion   has  per fo rm ed  via  set ti ng   the  im ag e  ro ta ti on   to  15   deg rees  cl ock wise  ran do m ly .  In   the  third   ste p,   transf er  le arn ing   is  the  pr ocess  of   ta kin g  a  netwo rk   pr e - trai ned   on     a  dataset   and   util iz ing   it   to  reco gn iz e  im age  or   ob j ect   cat ego ries  it   was  no t  trai ned   on .  W hile  fine - tun ing   req uires  that  re trai nin g  the  head   of   CNN  arch it ect ur e  to  reco gn iz e  new   ob j ect   cl asses  it   was  no t  pr im aril y  pr epar ed  fo r.   In   this  wo rk   has  us ed  Fine - tun ing   us ing   Ker as  via  a  m ulti - ste p  pr ocess.   Firstl y,  al l  la ye rs  below   the  head   are  fr ozen   in  the  netwo rk   ensu ring   that  the  back war d  pass  in  back pr op agati on   do es  no t  reach  it .  Secon dly,  the  fu ll y  con nected  no des  are  rem ov ed  at   the  end   of   the  netwo rk   and   rep la ced  it   with  new ly   init ia li zed o nes.  Th en,  training  is starte d  on ly  f or  the f ully  co nn ect ed  la ye r  head s.   Figu re  2  il lustra te s  the   sam ple  te st  im ages  of   chest  X - r ay   and   lun g  CT  with  a  no rm al   case  or     C ov id - 19   disease.  This  dataset   con sist s  of   var iou s  dim ension s  of   im ages.  W her efo re,  the  im ages  resizi ng   is  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  11 , No .  1 ,  Febr uar y  2021  :    844   -   850   848   pr ocessed   to  red uce  the  dim ension   to  22 4 ×22 4 ×3  pix el s.  Fu rther ,  im age  a ug m entat ion   is  im plem ented  to  gr ow   up   the  nu m ber   of   trai nin g  im ages.  In it ia ll y,  a  pr e - trai ned   VG G1 6,   VG G1 9,   Xcep ti on ,  Re sNet50 V2 ,  Mob il eNetV2 ,  NA SN et Mob il e,  Re sNet10 1V 2,   and   In cepti on V3   is  us ed  to  analy ze  the  dataset   us ed  and   com par ed  am on g  them   as  in  Tabl e  2.   Fu rther m or e,  the  per fo rm ance  of   al l  DL  m od el s  is  then  validat ed  with  the o ther  pr edict ive an al yt ic s p aram et ers,  as sh ow n  in Tab le  3 .       Table  2 .  Re s ults o f   perform ance ev al ua ti on  m et rics   Ap p roach   TP   TN   FP   FN   Accurac y   Sen sitiv ity   Sp ecif icity   F1  sco re    P recisio n   VGG1 6   36   159   2   3   0 .97 5   0 .92 3   0 .98 8   0 .93 5   0 .94 7   VGG1 9   38   160   1   1   0 .99 0   0 .97 4   0 .99 4   0 .97 4   0 .97 4   Xcepti o n   27   158   3   12   0 .92 5   0 .69 2   0 .98 1   0 .78 3   0 .90 0   Res Net5 0 V2   16   157   4   23   0 .86 5   0 .41 0   0 .97 5   0 .54 2   0 .80 0   Mob ileNetV2   15   156   5   24   0 .85 5   0 .38 5   0 .96 9   0. 508   0 .75 0   NASNet Mob ile   17   157   4   22   0 .87 0   0 .43 6   0 .97 5   0 .56 7   0 .81 0   Res Net1 0 1 V2   21   158   3   18   0 .89 5   0 .53 8   0 .98 1   0 .66 7   0 .87 5   Incep tio n V3   4   154   7   35   0 .79 0   0 .10 3   0 .95 7   0 .16 0   0 .36 4       Table  3 .  Re s ults o f pr e dicti ve a naly ti cs p ara m et ers   Ap p roach   NPV   FNR   FPR   FDR   F OR   MCC   BM   MK   VGG1 6   0 .98 1   0 .07 7   0 .01 2   0 .05 3   0 .01 9   0 .41 1   0 .91 1   0 .92 9   VGG1 9   0 .99 4   0 .02 6   0 .00 6   0 .02 6   0 .00 6   0 .43 0   0 .96 8   0 .96 8   Xcepti o n   0 .92 9   0 .30 8   0 .01 9   0 .10 0   0 .07 1   0 .34 3   0 .67 4   0 .82 9   Res Net5 0 V2   0 .87 2   0 .59 0   0 .02 5   0 .20 0   0 .12 8   0 .24 2   0 .38 5   0 .67 2   Mob ileNetV2   0. 867   0 .61 5   0 .03 1   0 .25 0   0 .13 3   0 .22 3   0 .35 4   0 .61 7   NASNet Mob ile   0 .87 7   0 .56 4   0 .02 5   0 .19 0   0 .12 3   0 .25 2   0 .41 1   0 .68 7   Res Net1 0 1 V2   0 .89 8   0 .46 2   0 .01 9   0 .12 5   0 .10 2   0 .29 6   0 .52 0   0 .77 3   Incep tio n V3   0 .81 5   0 .89 7   0 .04 3   0 .63 6   0 .18 5   0 .05 1   0 .05 9   0 .17 8       Figu re  3  sh ow s  trai nin g   and   accuracy  fo r  the  pr e - trai ned   VG G1 9  m od el .  The  m od el   was  fine - tun ed  accord ing   to  the  par am et ers  exp la ined  abo ve.   The  hig hest  accuracy  value  was  ob ta ined   com par ed  to  oth er  m od el s,  see  T able  1.   The  resu lt s  sh ow   that  pr e - trai ned   m od el s  can  ou tpu t  hig h  acc ur acy   per fo rm ances,    as  sh ow n  in  T able  2.   Altho ug h  that,  the  VG G1 9  was  achieved  the  top   aver age  accuracy  thro ug h  this  valida ti on  at 99 % f or  1 00  ep och s.  Figu re   4  sh ow s the lo ss accur acy  att ai ned  f or  the V GG 19  m od el .             Fig ure   3. Acc uracy  curve  to  t r ai n ing an d vali dation o f   the VG G19  m od el   f or   100 ep ochs     Fig ure   4. Lo ss  accuracy c urve  to  trai ning a nd  validat io n of  t he  VGG1 9  m odel       Most  of   the  deep   le arn ing   m od el s ar e  the f ocu s o f  m edical  im age d ia gn os is on ly  o n  accuracy. D o  no t  fo cus  on   the  ti m e  per fo r m ance  of   m od el s,  m ay be  m easur em ent  of   cl assifi cat ion   or   trai nin g  ti m e  cou ld  be  decep ti ve.   Be cause  it   dep end s  on   the  har dw are  com pu te r  li ke  CPU,  and   li br aries  us ed.   In   this  wo rk ,    the  har dw are,  li br aries,  and   la ng uag e  us ed  are  m entioned   at   the  beg inn ing   of   this  sect ion .  Figu re  5  sh ow s    the  per fo rm ance  of   the  pr edict ion   ti m e  fo r  al l  m od el s  us ed.   It  ob serv ed  fr om   Figu res  5  and   6  that  the  hig hest  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A d ee p  le ar ni ng fr am ew or k t o detec t  C ovi d - 19   disease   …   ( Mo hamm e d Y.  Kam il )   849   accuracy  value  on   the  VG G1 9  m od el   with  a  pr edict ion   ti m e  is  the  m idd le   of   the  scal e  fo r  al l  m od el s.  Con ver sel y,  oth e r  resu lt s  are  ob ta ined  hig h  pr edict ion   ti m e,  and   low  accuracy  fo r  cl assifi cat ion   in  ou r  dataset   C ov id - 19   im ages  was  util iz ed.   The  cause  m ay   be  the  nu m ber   of   hid den   la ye rs  and   neu ro ns   per   hid den   la ye r,   so  the level o f  dr op ou t.             Fig ure  5 .  Rel at ive pre dicti on  t i m e u sing C PU f or  all   m od el s u sed     Fig ure   6. Acc uracy  v al ue  r esu lt s   for  al l t he  m od el s   i m ple m ented       Desp it e  the  no velty   of   the  cov id1 9  disease  wh ic h  we  hav e  wo rk ed  on ,  there  is  a  sta te - of - the - art  m et ho d  im plem ented  on   cov id1 9  im ages.  Table  4  sh o ws  the  com par ison   of   oth er  m et ho ds   with  ou r  wo rk .    The  com par ison   is  con fined   to  the  ty pe  of   m od el   and   the  nu m ber   of   im ages  that  hav e  been   trai ned   and   te ste d.   As  well   as  cal culat e  the  m os t  pr om inent  par am et ers  as  area  un der   cur ve  (A UC),   accuracy  (A CC ),   sen sit ivit y  (S EN) ,  and   sp eci fici ty   (S PE).   Ob vio us ly ,  the  hig hest  accuracy  in  oth er  li te ratur e  is  97 .2 7%,   wh ic h  was  ann ou nced   by  Bhand ary   [15] .  In   com par ison   with  the  li te ratur e  resu lt s  by  diff eren t  autho rs,   it   ob serv es  ou r  tun ing   m od el  h as  pr od uce d  a m axim um   accuracy of  9 9%.  Based o n  the r esults, we  cou ld say that  o ur  V GG 19   m od el  o utp erf or m ed  the o ther  m od el s in  cor on a   viru s d ise ase diagn os is.   Ther e  are  m ulti ple  CNN  m od el s  us ed  by  diff eren t  autho rs  in  the  diagn os is  of   diseases  by  m edical   im aging .  These  m et ho ds   hav e  so m e  li m it at ion s.  The  m os t  im po rtant  li m it at ion   in  this  wo rk ;  the  few   nu m ber s  of  im ages th at  the m od el  w as trained  on , d ue  to the d ifficult y i n  ob ta ining  it  as the  pu blic at  p resen t.       Table  4 .  C om par iso n of dif fere n t m od el s to  e xisti ng li te rature   wo rk   d ataset   i m ag es   Mod el   AUC   ACC   SEN   SPE   Li [ 1 4 ]   p ri v ate   4356   Res tNet5 0   0 .96   -   90   96   Bh an d ary [ 1 5 ]   LI DC - IDRI   1018   Alex  Net   0 .99 6   9 7 .27   9 8 .09   9 5 .63   W an g [ 1 6 ]   p rivate   1119   Incep tio n   0 .81   7 9 .3   83   67   Xu [ 1 7 ]   p rivate   618   Res n et1 8   -   8 6 .7   9 3 .1   90   Dh u rgh a m [ 1 8 ]   p rivate   470   FFT - G ab o r   -   9 5 .37   9 5 .99   9 4 .76   p rop o sed   p rivate   1000   VGG1 9   -   99   9 7 .4   9 9 .4       4.   CONCL US I O N   The  early   dia gnos is  of   C ovid - 19   has  bee n  co ns ide re d  chall eng i ng  due  to  the  c onseq uen ces   of     the  disease  spr ead  to  so ci et y.  Deep   le ar ning  te chn iq ues  a nd  so ft  com pu ti ng  sk il ls  would  ai de  in  the  accuracy  and   a cc el erati on  of  the   dia gnos ti c  proces s.  In   t his  stu dy,  we  ha d  offer e d  a  tu ne d  V G G19  m od el   th at   cou l d  help  dia gnos i s  Cov id - 19   a uto m at ic ally.  All  i m ple m en te d  m od el s  ha ve  giv e n  good   resu lt s  at   chest   rad i ography.  But  the  tu ne d  VGG 19  m od el   has  produc ed  bette r  accu racy  res ults  th an  oth er   m et h od s   a nd   ou t perform ed  t he  present  li te ratur e .  The refo re,  m od el s  with  a  fine - t un i ng  cou ld  be  a  co m m i tt ed  co m pu te r - ai ded   diag nosti c syst e m  f or cli nical  docto rs  a nd contri bu te  t o  the  contr ol  of the  pandem ic .         REFERE NCE S   [1]   W HO ,   "Coronavi rus di sea se   201 9  ( COV ID - 19 )  Situa t ion  R epor t - 94, "  [Onlin e] ,   Available:  http:/ /ww w.w ho.int/ ,   [2]   C.   Huang  et   al.,   "Clini c al   fe at ur e s  of  pat ie n ts  infect ed  wi th  2019  n ovel   cor on avi rus   in  W uhan,   Chin a, "  T he  Lancet,   vol.   395 ,   no .   102 23,   pp .   497 - 506 ,   2020.   [3]   N.  Lurie,  M.  Savil le,  R .   Ha t che t t,   and  J.   Halt on,   "D eve l oping  COV ID - 19   vacci nes   at  pande m ic  spe ed, "     New  Eng land  Jo urnal  of  M edicin e,   2020 .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  11 , No .  1 ,  Febr uar y  2021  :    844   -   850   850   [4]   T.   Ai ,   e t  al. ,   "Correl a ti on  of  ch est  CT  and  RT - PC R  te sting  in  cor onavi rus  dise ase   2019  ( COV ID - 19 )  in  Chin a :     a  rep or t  of   1014  ca ses,"  Radi olog y,   2020 .   [5]   Y.  Fang   et   al. ,   "S ensit ivi t y   of ch est  CT   for  COV I D - 19 :  compari so n  to  R T - PC R, "  R adiol ogy ,   2020 .   [6]   N.  Zha ng   et   a l. ,   "Rec ent   adv ances  in  the   det e ct i on  of  respir at or y   virus  inf e ct ion   in  hum ans, "  Journal  of  Me dic a l  Vi rology ,   2020 .   [7]   M.  Chung   et  al. ,   "CT   imaging  fea tur es  of  201 9  novel   cor ona virus  (2019 - nCoV),"  Radi olog y,   vol.   295 ,   no .   1 ,     pp.   202 - 207 ,   20 20.   [8]   V.  M.  Corm an   e t  al. ,   "D e te c ti on  of  2019  novel   co rona virus  (2019 - nCoV)  b y   re a l - tim e  RT - PC R, "  E uros urve il lance,   vol.   25 ,   no .   3 ,   20 20.   [9]   X.  Xie,   Z.   Zho ng,   W .   Zha o ,   C .   Zhe ng ,   F.  W a ng,   and  J.  Li u ,   "Chest  CT  for   t y p ical  2019 - n CoV  pneumonia:   rel a ti onship  to  n ega t ive   R T - PC R  te st ing, "  Radi ol ogy,   2020 .   [10]   J.  George ,   S.  S kar ia,  and  V.  V aru n,   "U si ng  Y OLO  base d  de e p  learni ng  n et w ork  for  re al  ti m e  de te c ti on  and  loc a li z at ion  of  l ung  nodu le s  from   low  dose  CT   sca ns,"  Inte rnat ional   Society   fo r  Optic s  and  Phot onic s,  Me d ic a l   Imaging  2018:  Computer - Ai ded   Diagnosis ,   vol .   10575,   2018 .   [11]   Q.  Song,  L.   Zha o,   X.  Luo ,   and   X.  Dou,  "U sing  dee p  le arn ing   for  cl assific a ti o n  of  lung  nodule s  on  computed  tomograph y   ima ges, "  J ournal   of   heal th care   en gin ee ring,   vol .   201 7,   no .   1 ,   pp .   1 - 7 ,   2017.   [12]   S.  Naqi,   M.  Sharif,   M.  Yasm in,   and  S.  L.   Ferna ndes,   "Lung  nodule   det e ction  using  pol y g on  ap proximati on  and  h y brid   fe at ur es  f rom   CT  images,"   Curr ent   Me d ical  Imaging,   vol .   14,   no .   1 ,   pp .   10 8 - 117,   2018 .   [13]   J.  C.   Souza,   J.  O.  B.   Diniz,  J.  L.   Ferre ira,  G.  L.   F .   da  Silva ,   A.  C.   Silva ,   and  A.  C.   de  Paiva ,   "A n  au tomati c  m et hod  for  lung  segm e nta ti on   an d  r ec o nstruct ion  in  ch est  X - ra y   using   dee p  n eur a l  ne tworks,"  Computer  methods  and   progr ams   in  biomedi ci n e,   vol. 1 77,   pp .   285 - 296 ,   2019.   [14]   L.   Li   et  a l. ,   "A rti ficia l  in te l li g en ce   d isti nguishes   Covid - 19   from   comm unity   a cq uire d  pn eumonia  on  che st   CT , "  Radi ology ,   vo l.  296,   2020 .   [15]   A.  Bhanda r y ,   e t  al . ,   "D ee p - l ea rni ng  fra m ework  to  det ect  lung  abn orm al ity – A  study   with  ch est  X - Ra y   and  lung  CT   sca n  images , "  P att ern  Re cogn it i on  Letters ,   vol .   1 29,   pp .   271 - 278 ,   2020.   [16]   S.  W ang ,   et   al . ,   "A   dee p  le arn in g  al gorit hm   usin g  CT  imag es  to  scre en  for  Coro na  Virus  Disea se  ( COV ID - 19 ), "   medR xiv ,  2020.   [17]   X.  Xu ,   et   al . ,   "D ee p  l ea rning  s y st em  to  scre en  co r onavi rus  disea se   2019  pneumonia, "  arXiv   pr eprint   arXiv : . 09334 ,   2020.   [18]   A. - K.  Dhurgha m ,   A. - Z.  Shakir,  P.  Nisree n ,   and   J.  Sabah,  "M ac h ine   L ea rn i ng  An aly s is  of  Chest   CT  Scan  Im ag es  as  a  Com ple m ent a r y   D igi t al   Te st   of   Coronavi rus  ( COV ID - 19 )  Pati e nts,"  medR xi v ,   2 020.   [19]   G.  Han,   X.  Li u,   G.  Zhe ng,   M.  W ang,   and  S.  Hua ng,   "A utomati c  r ec ogni ti on  of  3D  GG O   CT  imaging  signs  through   the   fusion   of  h y b rid  resa m pli ng   a nd  lay e r - wise  f in e - tuni ng   CNN s,"  Me di cal  &   biol ogic al   engi n ee ri ng  &   co mputing,   vol.   56 ,   no .   12 ,   p p.   2201 - 2212 ,   2 018.   [20]   O.  Russ akovsk y ,   e t  al . ,   "Im ag e net   la rge   sca le  visual   r ec ogni tion  challe ng e, "   I nte rnational   jou rnal  of  computer   vi sion,   vol .   115 ,   no.   3 ,   pp .   211 - 2 52,   2015 .   [21]   G.  Zhong,  S.  Ya n,   K.  Huang ,   Y.   Cai ,   and  J.   Dong,  "Reduc ing  and   stret ch ing  de ep  convol uti on al   activa t ion  f ea tur es   for  accurate   ima ge  c la ss ifi c ation, "  Cognit i ve Computat ion,   vol .   10 ,   no .   1 ,   pp .   179 - 186,   2018 .   [22]   Y.  Jiao,   Y.  Zh an g,   Y.  W ang,   B .   W ang,   J.  Jin,  an d  X.  W ang,   "A   novel   m ult ila y er   cor relati on  m ax imiza ti on  m odel  for  improving  CCA - base d  fre q u ency   r ec ogn it i on  in  SS VEP  b rai n - computer   i nte rfa ce,"   Int ernati onal  journal  of   neural  systems,   vol.   28 ,   no .   4 ,   20 18.   [23]   D.  S.  Kerm any ,   et   al. ,   "Ident i f y i ng  m edi ca l  dia g noses  and  tre at a ble   disea ses  b y   i m age - base d  deep  le arn ing , "  Cel l ,   v ol.   172 ,   no .   5 ,   p p.   1122 - 1131 ,   2 018.   [24]   G.  L.   da  Silva ,   et   al. ,   "Lung  nodule s  dia gnosis  base d  on  evol utionar y   convo lut i onal   neur a l  netw ork, "   Mult ime dia  Tools   and  Appli cat ions,   vol .   76 ,   no.   18 ,   pp .   1903 9 - 19055,   2017 .   [25]   T.   Fawc ett,   "A n  int roduc t ion to R OC a naly sis,"   Pat te rn   rec ogni t ion  l et t ers,   vol .   2 7,   no .   8 ,   pp .   861 - 874,   2006 .   [26]   J.  P.  Coh en, P.   Morrison,  and   L .   Dao, " COV ID - 19   image   data co ll e ct ion , "  arXi v preprint  arXi v:.11597,   202 0.       BIOGRA PH Y   OF A UTHOR       Mohamme d  Y.  Kami l   obta ine d  his  M.  Sc .   in  Optic s  from   Mus ta nsiriy a  Univer sity ,   Coll ege   of  Scie nce ,   Phy sics  depa rtment,   Ira q,   in  2005.   He  rec ei ved  his  Ph.D.  in  digi ta l  image  proc essing  from   Mus ta nsiriy a  Univer sity   in  2011.   He  is  int ere sted  in  m edi ca l  image  proc essing,   computer   vision,   and  Artif ic ia l  Inte ll ige nce .   He  is a   m ember  of  the   IEE E  Ira q  sec ti on.     Evaluation Warning : The document was created with Spire.PDF for Python.