Abstract

The objective of this study is to conduct a critical analysis to investigate and compare a group of computer aid screening methods of COVID-19 using chest X-ray images and computed tomography (CT) images. The computer aid screening method includes deep feature extraction, transfer learning, and machine learning image classification approach. The deep feature extraction and transfer learning method considered 13 pre-trained CNN models. The machine learning approach includes three sets of handcrafted features and three classifiers. The pre-trained CNN models include AlexNet, GoogleNet, VGG16, VGG19, Densenet201, Resnet18, Resnet50, Resnet101, Inceptionv3, Inceptionresnetv2, Xception, MobileNetv2 and ShuffleNet. The handcrafted features are GLCM, LBP & HOG, and machine learning based classifiers are KNN, SVM & Naive Bayes. In addition, the different paradigms of classifiers are also analyzed. Overall, the comparative analysis is carried out in 65 classification models, i.e., 13 in deep feature extraction, 13 in transfer learning, and 39 in the machine learning approaches. Finally, all classification models perform better when applying to the chest X-ray image set as comparing to the use of CT scan image set. Among 65 classification models, the VGG19 with SVM achieved the highest accuracy of 99.81%when applying to the chest X-ray images. In conclusion, the findings of this analysis study are beneficial for the researchers who are working towards designing computer aid tools for screening COVID-19 infection diseases.

中文翻译：

---

使用X射线和CT扫描图像对COVID-19进行计算机辅助筛查：内部比较

摘要

这项研究的目的是进行批判性分析，以调查和比较使用胸部X射线图像和计算机断层扫描（CT）图像对COVID-19进行的一组计算机辅助筛选方法。计算机辅助筛选方法包括深度特征提取，传递学习和机器学习图像分类方法。深度特征提取和转移学习方法考虑了13种预训练的CNN模型。机器学习方法包括三套手工特征和三个分类器。预先训练的CNN模型包括AlexNet，GoogleNet，VGG16，VGG19，Densenet201，Resnet18，Resnet50，Resnet101，Inceptionv3，Inceptionresnetv2，Xception，MobileNetv2和ShuffleNet。手工制作的功能是GLCM，LBP和HOG，基于机器学习的分类器是KNN，SVM和朴素贝叶斯。此外，还分析了分类器的不同范例。总体而言，比较分析是在65个分类模型中进行的，即13个用于深度特征提取，13个用于转移学习，39个用于机器学习方法。最后，与使用CT扫描图像集相比，在应用于胸部X射线图像集时，所有分类模型的性能都更好。在65个分类模型中，带有SVM的VGG19在应用于胸部X射线图像时可达到99.81％的最高准确度。总之，这项分析研究的结果对正在努力设计用于筛选COVID-19感染疾病的计算机辅助工具的研究人员是有益的。在迁移学习中有13个，在机器学习方法中有39个。最后，与使用CT扫描图像集相比，在应用于胸部X射线图像集时，所有分类模型的性能都更好。在65个分类模型中，带有SVM的VGG19在应用于胸部X射线图像时可达到99.81％的最高准确度。总之，这项分析研究的结果对正在努力设计用于筛选COVID-19感染疾病的计算机辅助工具的研究人员是有益的。在迁移学习中有13个，在机器学习方法中有39个。最后，与使用CT扫描图像集相比，在应用于胸部X射线图像集时，所有分类模型的性能都更好。在65个分类模型中，带有SVM的VGG19在应用于胸部X射线图像时可达到99.81％的最高准确度。总之，这项分析研究的结果对正在努力设计用于筛选COVID-19感染疾病的计算机辅助工具的研究人员是有益的。