
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.creator | Teodoro, Arthur A. M. | - |
| Autor(es): dc.creator | Silva, Douglas H. | - |
| Autor(es): dc.creator | Saadi, Muhammad | - |
| Autor(es): dc.creator | Okey, Ogobuchi D. | - |
| Autor(es): dc.creator | Rosa, Renata L. | - |
| Autor(es): dc.creator | Otaibi, Sattam Al | - |
| Autor(es): dc.creator | Rodríguez, Demóstenes Z. | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:18:20Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:18:20Z | - |
| Data de envio: dc.date.issued | 2022-07-21 | - |
| Data de envio: dc.date.issued | 2022-07-21 | - |
| Data de envio: dc.date.issued | 2020 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/50678 | - |
| Fonte completa do material: dc.identifier | https://link.springer.com/article/10.1007/s11265-021-01714-7 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1158620 | - |
| Descrição: dc.description | The SARS-CoV-2 virus causes a respiratory disease in humans, known as COVID-19. The confirmatory diagnostic of this disease occurs through the real-time reverse transcription and polymerase chain reaction test (RT-qPCR). However, the period of obtaining the results limits the application of the mass test. Thus, chest X-ray computed tomography (CT) images are analyzed to help diagnose the disease. However, during an outbreak of a disease that causes respiratory problems, radiologists may be overwhelmed with analyzing medical images. In the literature, some studies used feature extraction techniques based on CNNs, with classification models to identify COVID-19 and non-COVID-19. This work compare the performance of applying pre-trained CNNs in conjunction with classification methods based on machine learning algorithms. The main objective is to analyze the impact of the features extracted by CNNs, in the construction of models to classify COVID-19 and non-COVID-19. A SARS-CoV-2 CT data-set is used in experimental tests. The CNNs implemented are visual geometry group (VGG-16 and VGG-19), inception V3 (IV3), and EfficientNet-B0 (EB0). The classification methods were k-nearest neighbor (KNN), support vector machine (SVM), and explainable deep neural networks (xDNN). In the experiments, the best results were obtained by the EfficientNet model used to extract data and the SVM with an RBF kernel. This approach achieved an average performance of 0.9856 in the precision macro, 0.9853 in the sensitivity macro, 0.9853 in the specificity macro, and 0.9853 in the F1 score macro. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Springer | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | Journal of Signal Processing Systems | - |
| Palavras-chave: dc.subject | COVID-19 | - |
| Palavras-chave: dc.subject | Computed tomography images | - |
| Palavras-chave: dc.subject | Transfer learning | - |
| Palavras-chave: dc.subject | Convolutional neural networks | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Título: dc.title | An analysis of image features extracted by CNNs to design classification models for COVID-19 and non-COVID-19 | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
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: