In this paper two novel, powerful and robust Convolutional Neural Network (CNN) architectures are designed and proposed for two different classification tasks using publicly available datasets. The first architecture is able to decide whether a given chest X-ray image of a patient contains COVID-19 or not with 98.92% average accuracy. The second CNN architecture is able to divide a given chest X-ray image of a patient into three classes (COVID-19 vs. Normal vs. Pneumonia) with 98.27% average accuracy. The hyper-parameters of the both CNN models are automatically determined using Grid Search. Experimental results on large clinical datasets show the effectiveness of the proposed architectures and demonstrate that the proposed algorithms can overcome disadvantages mentioned above. Moreover, the proposed CNN models are fully-automatic in terms of not requiring the extraction of diseased tissue; which is a great improvement of available automatic methods in the literature. To the best of author's knowledge, this study is the first study to detect COVID-19 disease from given chest X-ray images, using CNN whose hyper parameters are automatically determined by the Grid Search. Another important contribution of this study is that it is the first CNN based COVID-19 chest X-ray image classification study which uses the largest possible clinical dataset. A total of 1524 COVID-19, 1527 pneumonia and 1524 normal X-ray images are collected. It is aimed to collect the largest number of COVID-19 X-ray images that exist in the literature until the writing of this research paper.

中文翻译：

---

卷积神经网络方法在COVID-19疾病检测中的实现

在本文中，针对两种不同的分类任务，使用公开可用的数据集设计并提出了两种新颖，强大而强大的卷积神经网络（CNN）体系结构。第一种架构能够以98.92％的平均准确度确定患者的给定胸部X射线图像是否包含COVID-19。第二种CNN架构能够将患者的给定胸部X射线图像分为三类（COVID-19与正常与肺炎），平均准确度为98.27％。使用“网格搜索”自动确定两个CNN模型的超参数。在大型临床数据集上的实验结果表明了所提出的体系结构的有效性，并证明了所提出的算法可以克服上述缺点。此外，提出的CNN模型是全自动的，不需要提取患病组织。这是对现有自动方法的极大改进。据作者所知，该研究是第一项使用给定的胸部X线图像检测超高参数由Grid Search自动确定的COVID-19疾病的研究。这项研究的另一个重要贡献是，这是第一项基于CNN的COVID-19胸部X射线图像分类研究，该研究使用了最大的临床数据集。总共收集了1524个COVID-19、1527肺炎和1524正常X射线图像。旨在收集文献中存在的最大数量的COVID-19 X射线图像，直到撰写本研究论文为止。这是对现有自动方法的极大改进。据作者所知，该研究是第一项使用给定的胸部X线图像检测超高参数由Grid Search自动确定的COVID-19疾病的研究。这项研究的另一个重要贡献是，这是第一个基于CNN的COVID-19胸部X射线图像分类研究，该研究使用了最大可能的临床数据集。总共收集了1524个COVID-19、1527肺炎和1524正常X射线图像。旨在收集文献中存在的最大数量的COVID-19 X射线图像，直到撰写本研究论文为止。这是对现有自动方法的极大改进。据作者所知，该研究是第一项使用给定的胸部X线图像检测超高参数由Grid Search自动确定的COVID-19疾病的研究。这项研究的另一个重要贡献是，这是第一项基于CNN的COVID-19胸部X射线图像分类研究，该研究使用了最大的临床数据集。总共收集了1524个COVID-19、1527肺炎和1524正常X射线图像。旨在收集文献中存在的最大数量的COVID-19 X射线图像，直到撰写本研究论文为止。这项研究是第一项使用给定的胸部X射线图像检测COVID-19疾病的研究，使用的CNN的超参数由Grid Search自动确定。这项研究的另一个重要贡献是，这是第一项基于CNN的COVID-19胸部X射线图像分类研究，该研究使用了最大的临床数据集。总共收集了1524个COVID-19、1527肺炎和1524正常X射线图像。旨在收集文献中存在的最大数量的COVID-19 X射线图像，直到撰写本研究论文为止。这项研究是第一项使用给定胸部X射线图像检测COVID-19疾病的研究，其使用的超参数由Grid Search自动确定。这项研究的另一个重要贡献是，这是第一项基于CNN的COVID-19胸部X射线图像分类研究，该研究使用了最大的临床数据集。总共收集了1524个COVID-19、1527肺炎和1524正常X射线图像。旨在收集文献中存在的最大数量的COVID-19 X射线图像，直到撰写本研究论文为止。总共收集了1524个COVID-19、1527肺炎和1524正常X射线图像。旨在收集文献中存在的最大数量的COVID-19 X射线图像，直到撰写本研究论文为止。总共收集了1524个COVID-19、1527肺炎和1524正常X射线图像。旨在收集文献中存在的最大数量的COVID-19 X射线图像，直到撰写本研究论文为止。