Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | King Saud University | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Hassan, Mohammad Mehedi | - |
Autor(es): dc.creator | AlQahtani, Salman A. | - |
Autor(es): dc.creator | Alelaiwi, Abdulhameed | - |
Autor(es): dc.creator | Papa, João P. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T20:06:42Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T20:06:42Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2022-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.3389/fphy.2023.1153637 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/249849 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/249849 | - |
Descrição: dc.description | The COVID-19 pandemic has had a global impact, transforming how we manage infectious diseases and interact socially. Researchers from various fields have worked tirelessly to develop vaccines on an unprecedented scale, while different countries have developed various sanitary protocols to deal with more contagious variants. Machine learning-assisted diagnosis has emerged as a powerful tool that can help health professionals deliver faster and more accurate outcomes. However, medical systems that rely on deep learning often require extensive data, which may be impractical for real-world applications. This paper compares lightweight neural architectures for COVID-19 identification using chest X-rays, highlighting the strengths and weaknesses of each approach. Additionally, a web tool has been developed that accepts chest computer tomography images and outputs the probability of COVID-19 infection along with a heatmap of the regions used by the intelligent system to make this determination. The experiments indicate that most lightweight architectures considered in the study can identify COVID-19 correctly, but further investigation is necessary. Lightweight neural architectures show promise in computer-aided COVID-19 diagnosis using chest X-rays, but they did not reach accuracy rates above 88%, which is necessary for medical applications. These findings suggest that additional research is necessary to improve the accuracy of lightweight models and make them practical for real-world use. | - |
Descrição: dc.description | King Abdulaziz City for Science and Technology | - |
Descrição: dc.description | College of Computer and Information Sciences King Saud University | - |
Descrição: dc.description | Department of Computing São Paulo State University | - |
Descrição: dc.description | Department of Computing São Paulo State University | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Frontiers in Physics | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | convolutional neural networks | - |
Palavras-chave: dc.subject | COVID-19 | - |
Palavras-chave: dc.subject | deep learning | - |
Palavras-chave: dc.subject | heatmap analyses | - |
Palavras-chave: dc.subject | web tool | - |
Título: dc.title | Lightweight neural architectures to improve COVID-19 identification | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: