ECOVNet: a highly effective ensemble based deep learning model for detecting COVID-19 ECOVNet: نموذج تعلم عميق فعال للغاية قائم على المجموعة للكشف عن COVID -19 ECOVNet : un modèle d'apprentissage en profondeur basé sur un ensemble très efficace pour détecter la COVID-19 ECOVNet: un modelo de aprendizaje profundo basado en conjuntos altamente efectivo para detectar COVID-19

The goal of this research is to develop and implement a highly effective deep learning model for detecting COVID-19. To achieve this goal, in this paper, we propose an ensemble of Convolutional Neural Network (CNN) based on EfficientNet, named ECOVNet, to detect COVID-19 from chest X-rays. To make the proposed model more robust, we have used one of the largest open-access chest X-ray data sets named COVIDx containing three classes—COVID-19, normal, and pneumonia. For feature extraction, we have applied an effective CNN structure, namely EfficientNet, with ImageNet pre-training weights. The generated features are transferred into custom fine-tuned top layers followed by a set of model snapshots. The predictions of the model snapshots (which are created during a single training) are consolidated through two ensemble strategies, i.e., hard ensemble and soft ensemble, to enhance classification performance. In addition, a visualization technique is incorporated to highlight areas that distinguish classes, thereby enhancing the understanding of primal components related to COVID-19. The results of our empirical evaluations show that the proposed ECOVNet model outperforms the state-of-the-art approaches and significantly improves detection performance with 100% recall for COVID-19 and overall accuracy of 96.07%. We believe that ECOVNet can enhance the detection of COVID-19 disease, and thus, underpin a fully automated and efficacious COVID-19 detection system. الهدف من هذا البحث هو تطوير وتنفيذ نموذج تعلم عميق فعال للغاية للكشف عن كوفيد-19. لتحقيق هذا الهدف، نقترح في هذه الورقة مجموعة من الشبكة العصبية الالتفافية (CNN) بناءً على EfficientNet، المسماة ECOVNet، للكشف عن COVID -19 من الأشعة السينية على الصدر. لجعل النموذج المقترح أكثر قوة، استخدمنا واحدة من أكبر مجموعات بيانات الأشعة السينية مفتوحة الوصول للصدر المسماة COVIDx التي تحتوي على ثلاث فئات - COVID -19، والالتهاب الرئوي، والالتهاب الرئوي. لاستخراج الميزات، قمنا بتطبيق بنية CNN فعالة، وهي EfficientNet، مع أوزان ما قبل التدريب لـ ImageNet. يتم نقل الميزات التي تم إنشاؤها إلى طبقات عليا مضبوطة بدقة متبوعة بمجموعة من لقطات النموذج. يتم توحيد تنبؤات لقطات النموذج (التي يتم إنشاؤها خلال تدريب واحد) من خلال استراتيجيتين للمجموعة، أي المجموعة الصلبة والمجموعة الناعمة، لتعزيز أداء التصنيف. بالإضافة إلى ذلك، تم دمج تقنية التصور لتسليط الضوء على المناطق التي تميز الفئات، وبالتالي تعزيز فهم المكونات البدائية المتعلقة بـ COVID -19. تُظهر نتائج تقييماتنا التجريبية أن نموذج ECOVNet المقترح يتفوق على أحدث الأساليب ويحسن بشكل كبير أداء الكشف مع استدعاء 100 ٪ لـ COVID -19 ودقة إجمالية تبلغ 96.07 ٪. نعتقد أن ECOVNet يمكن أن تعزز الكشف عن مرض COVID -19، وبالتالي، تدعم نظامًا مؤتمتًا وفعالًا بالكامل للكشف عن COVID -19. L'objectif de cette recherche est de développer et de mettre en œuvre un modèle d'apprentissage profond très efficace pour détecter la COVID-19. Pour atteindre cet objectif, dans cet article, nous proposons un ensemble de Convolutional Neural Network (CNN) basé sur EfficientNet, appelé ECOVNet, pour détecter la COVID-19 à partir de radiographies pulmonaires. Pour rendre le modèle proposé plus robuste, nous avons utilisé l'un des plus grands ensembles de données radiographiques thoraciques en libre accès, appelé COVIDx, contenant trois classes : COVID-19, normale et pneumonie. Pour l'extraction de caractéristiques, nous avons appliqué une structure CNN efficace, à savoir EfficientNet, avec des poids de pré-entraînement ImageNet. Les fonctionnalités générées sont transférées dans des couches supérieures personnalisées et affinées, suivies d'un ensemble d'instantanés de modèle. Les prédictions des instantanés du modèle (qui sont créées au cours d'une seule formation) sont consolidées par deux stratégies d'ensemble, c'est-à-dire un ensemble dur et un ensemble mou, afin d'améliorer les performances de classification. En outre, une technique de visualisation est incorporée pour mettre en évidence les zones qui distinguent les classes, améliorant ainsi la compréhension des composants primaires liés à la COVID-19. Les résultats de nos évaluations empiriques montrent que le modèle ECOVNet proposé surpasse les approches de pointe et améliore considérablement les performances de détection avec un rappel de 100 % pour la COVID-19 et une précision globale de 96,07 %. Nous pensons qu'ECOVNet peut améliorer la détection de la maladie à COVID-19 et donc soutenir un système de détection de la COVID-19 entièrement automatisé et efficace. El objetivo de esta investigación es desarrollar e implementar un modelo de aprendizaje profundo altamente efectivo para detectar COVID-19. Para lograr este objetivo, en este artículo, proponemos un conjunto de redes neuronales convolucionales (CNN) basadas en EfficientNet, llamadas ECOVNet, para detectar COVID-19 a partir de radiografías de tórax. Para hacer que el modelo propuesto sea más sólido, hemos utilizado uno de los conjuntos de datos de rayos X de tórax de acceso abierto más grandes llamado COVIDx que contiene tres clases: COVID-19, normal y neumonía. Para la extracción de características, hemos aplicado una estructura CNN efectiva, a saber, EfficientNet, con pesos de preentrenamiento ImageNet. Las características generadas se transfieren a capas superiores personalizadas y ajustadas, seguidas de un conjunto de instantáneas del modelo. Las predicciones de las instantáneas del modelo (que se crean durante una sola capacitación) se consolidan a través de dos estrategias de conjunto, es decir, conjunto duro y conjunto blando, para mejorar el rendimiento de la clasificación. Además, se incorpora una técnica de visualización para resaltar las áreas que distinguen a las clases, mejorando así la comprensión de los componentes primarios relacionados con COVID-19. Los resultados de nuestras evaluaciones empíricas muestran que el modelo ECOVNet propuesto supera los enfoques de vanguardia y mejora significativamente el rendimiento de detección con una recuperación del 100% para COVID-19 y una precisión general del 96,07%. Creemos que ECOVNet puede mejorar la detección de la enfermedad COVID-19 y, por lo tanto, respaldar un sistema de detección COVID-19 totalmente automatizado y eficaz.